# Hệ thống Tiến hóa Thông minh EvoX và Thực hành Nghiên cứu AI Native - Bài giảng

Thời lượng: 1 · Số trang slide: 16

## Điều hướng đọc

- [Bài 5｜Chủ đề: Tiến hóa phương pháp: Từ lời giải tối ưu đến bản thân thuật toán tối ưu](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## Bài 5｜Chủ đề: Tiến hóa phương pháp: Từ lời giải tối ưu đến bản thân thuật toán tối ưu

<a id="lecture-page-1"></a>

### Tiến hóa phương pháp: Từ lời giải tối ưu đến bản thân thuật toán tối ưu

*Trang 1*

> **Mục tiêu trang:** Thảo luận các cơ chế tiến hóa phương pháp như MetaDE, AutoPSO, học cách đưa phương pháp sinh ứng viên vào đối tượng tối ưu, thực hiện tự tiến hóa thuật toán.

> **Mục tiêu trang**
>
> Hiểu tư tưởng cốt lõi của tiến hóa phương pháp (Meta-Evolution), nắm vững kiến trúc đưa chiến lược đột biến và siêu tham số vào tối ưu bởi tầng tiến hóa ngoài, thực hiện bước nhảy vọt của thuật toán từ tối ưu lời giải đến tối ưu bản thân thuật toán.

> **Thứ tự giảng giải**
>
> Cho bài toán, tối ưu ứng viên lời giải.
>
> Chiến lược đột biến, siêu tham số của thuật toán (như vi phân tiến hóa DE, bầy đàn hạt PSO) thường phụ thuộc vào thiết kế thủ công hoặc điều chỉnh tham số theo kinh nghiệm.
>
> Đưa cấu hình thuật toán (chiến lược, tham số) làm cá thể của tiến hóa tầng ngoài, thuật toán tầng trong chịu trách nhiệm giải bài toán gốc.
>
> Tiến hóa tầng ngoài tự động tìm kiếm tổ hợp chiến lược đột biến và siêu tham số tốt nhất.
>
> 5. Tổng kết kiến trúc tối ưu hai tầng và ý nghĩa tự tiến hóa.

**Điểm giảng dạy chính**

- Đối tượng tối ưu dịch chuyển từ "lời giải" lên "phương pháp/thuật toán". Tối ưu hai tầng. Thuật toán tiến hóa tầng ngoài tối ưu cấu hình của bộ tối ưu tầng trong (như chiến lược đột biến, tỷ lệ lai ghép, trọng số quán tính, hệ số học tập, v.v.)
- Độ thích nghi tầng ngoài là hiệu suất của tầng trong trên bài toán kiểm chứng (như giá trị tối ưu trung bình, tốc độ hội tụ). Tự động chọn hoặc sinh chiến lược đột biến và điều chỉnh tham số cho DE
- Tự động cấu hình tham số và cấu trúc liên kết của PSO. Giảm điều chỉnh tham số thủ công, phát hiện chiến lược mới lạ, nâng cao khả năng tổng quát hóa liên bài toán
- Tối ưu lồng nhau dẫn đến chi phí tính toán tăng đáng kể.

**Kiểm tra hiểu biết**

Yêu cầu sinh viên trả lời——Trong tiến hóa phương pháp, cá thể của thuật toán tầng ngoài đại diện cho điều gì? Thuật toán tầng trong đóng vai trò gì? Độ thích nghi được định nghĩa như thế nào?

> **Gợi ý chuyển tiếp**
>
> Sau khi hiểu kiến trúc hai tầng, nội dung tiếp theo có thể triển khai cụ thể chi tiết triển khai và kết quả thực nghiệm của MetaDE hoặc AutoPSO.

<a id="lecture-page-2"></a>

### Bối cảnh cốt lõi và động lực của tiến hóa phương pháp

*Trang 2*

> **Mục tiêu trang:** Người học cần hiểu những hạn chế của phương pháp tối ưu truyền thống về việc đặt trước thủ công khi năng lực tính toán được mở rộng.

**Điểm giảng dạy chính**

- Phiên bản một câu của tiến hóa phương pháp là: <em>lời giải đang tiến hóa, phương pháp sinh ra lời giải cũng đang tiến hóa</em>. Khi thấy bất kỳ cách làm nào "chỉ điều chỉnh tham số, không thay đổi cơ chế", đều có thể dùng nó để phán đoán mình đang dừng ở tầng một hay đã lên tầng hai.
- Điều chỉnh siêu tham số thường là tìm kiếm ngoại tuyến một lần trước khi chạy, chọn một giá trị rồi cố định, bản chất vẫn là đặt trước thủ công; tiến hóa phương pháp là trong quá trình chạy lấy phương pháp本身 làm đối tượng tìm kiếm, liên tục điều chỉnh theo phản hồi. Tiêu chí phán đoán là: cơ chế sinh ứng viên này có thay đổi trong quá trình chạy hay không.
- Có thể nói rõ sự khác biệt giữa hai bên trái phải không? Nếu bạn chỉ có thể nói "bên phải tính nhanh hơn, tìm tốt hơn", điều đó cho thấy chưa nắm được điểm mấu chốt; điểm mấu chốt là đối tượng tìm kiếm bên phải có thêm một tầng——bản thân phương pháp đã bước vào vòng lặp được tìm kiếm, được đánh giá, được cập nhật.

【Mục tiêu trang】

Khi quy mô năng lực tính toán không còn là nút thắt, điều thực sự hạn chế hiệu quả tiến hóa là "phương pháp sinh ứng viên lời giải vẫn do con người đặt trước và cố định lâu dài". Chỉ khi hiểu được điểm yếu này, mới có thể đưa các cơ chế như chiến lược đột biến, hệ số tỷ lệ, tỷ lệ lai ghép vào đối tượng tiến hóa.

【Thứ tự giảng giải】

Đề xuất tiến hành theo mạch "năng lực tính toán mở ra → điểm yếu chuyển dịch → ranh giới tối ưu truyền thống → cấp độ vấn đề dịch chuyển lên → phân tích và đặt nền", cuối cùng kết thúc bằng bài tập trên lớp và thảo luận tình huống.

【Điểm giảng dạy chính】

1. Tại sao điểm yếu chuyển dịch. Trên nền tảng tính toán hiện đại của EvoX, quần thể, kết quả đánh giá và trạng thái thuật toán có thể toàn bộ đi vào thiết bị tăng tốc hoặc cụm phân tán, hàng vạn lần đánh giá ứng viên không còn cần xử lý tuần tự từng cái. Sau khi tầng năng lực tính toán được mở ra, hạn chế còn lại rơi vào "cách tìm kiếm": phương pháp sinh ứng viên lời giải vẫn do con người đặt trước, và giữ nguyên không đổi trong quá trình chạy.

2. Ranh giới tối ưu truyền thống. Thuật toán tối ưu truyền thống rất giỏi tìm lời giải trong không gian tìm kiếm cho trước——cho một chiến lược đột biến, một nhóm tham số, một cấu trúc lân cận, nó lặp đi lặp lại sinh ứng viên lời giải, đánh giá, rồi chọn lọc. Nhưng cần lưu ý, cơ chế sinh ứng viên này là hằng số được thiết kế từ bên ngoài, thuật toán sẽ không thay đổi nó trong suốt quá trình chạy. Nói cách khác, chỉ có "lời giải" được tìm kiếm, "cách sinh ra lời giải" không được tìm kiếm. Từ đó dẫn đến hai hậu quả: hệ thống chỉ có thể lặp lại套路 đã định, khó mở rộng thích ứng theo bài toán, môi trường và phản hồi; thuật toán tuy có thể tìm lời giải, nhưng bản thân nó không tham gia vào cải tiến quá trình tìm kiếm.

Vấn đề được đẩy lên một tầng. Tiến hóa phương pháp biến "cách sinh ứng viên lời giải" từ lựa chọn thiết kế bên ngoài thành đối tượng có thể được tìm kiếm, có thể được tiến hóa. Lấy vi phân tiến hóa làm ví dụ, chiến lược đột biến, hệ số tỷ lệ F, tỷ lệ lai ghép CR những thiết lập vốn do con người cố định, đều có thể bước vào vòng lặp tiến hóa, được điều chỉnh liên tục theo phản hồi. Do đó hệ thống đồng thời tìm kiếm ở hai cấp độ: "lời giải" và "cách sinh ra lời giải". Khi hình thái bài toán thay đổi, môi trường trôi dạt hoặc tín hiệu phản hồi thay đổi, tầng phương pháp cũng có thể được viết lại theo, thay vì để một chiến lược启发式 cố định gánh vác mọi tình huống.

4. Gợi ý phân tích. Tiến hóa phương pháp không bằng "đổi một thuật toán tốt hơn". Đổi thuật toán vẫn là lựa chọn thủ công một lần, sau khi chọn lại bị cố định; tiến hóa phương pháp nhấn mạnh rằng cơ chế sinh ứng viên này bản thân đang ở trạng thái được tìm kiếm, được điều chỉnh liên tục. Tiêu chí phán đoán có thể cô đọng thành một câu: cơ chế sinh ứng viên này có thay đổi trong quá trình chạy hay không.

5. Tại sao động lực này là nền tảng của nội dung tiếp theo. Nó vạch ra bước ngoặt giữa EvoX và bộ tối ưu thông thường——ranh giới đối tượng tiến hóa tiếp tục mở rộng ra ngoài như thế nào, bản thân thuật toán được cải tiến ra sao, hệ thống tiến tới tầng liên và tiến hóa liên tục như thế nào, đều được xây dựng trên tầng "dịch chuyển lên" này. Có thể nói, nền tảng năng lực tính toán giải quyết "có thể tính toán quy mô lớn hay không", tiến hóa phương pháp giải quyết "trong khi tính toán quy mô lớn, cách tìm kiếm có thể cùng tiến bộ hay không".

【Điểm neo ghi nhớ】

Lời giải đang tiến hóa, phương pháp sinh ra lời giải cũng đang tiến hóa. Khi thấy bất kỳ cách làm nào "chỉ điều chỉnh tham số, không thay đổi cơ chế", đều có thể dùng nó để phán đoán mình đang dừng ở tầng một hay đã lên tầng hai.

【Xử lý bài tập】

Trang này có năm câu trắc nghiệm, có thể sắp xếp xử lý tập trung sau khi giảng xong, từng câu chỉ ra căn cứ phán đoán:

Về hạn chế căn bản của tối ưu truyền thống, lựa chọn đúng rơi vào "chỉ tìm lời giải trong không gian tìm kiếm đã định, cơ chế sinh ứng viên do con người đặt trước và không được cải tiến". Nếu sinh viên chọn "tính chậm" hoặc "không thể song song", nhắc nhở rằng đó là vấn đề ở tầng nền tảng tính toán, còn trang này thảo luận về việc cách tìm kiếm có thể được cải tiến hay không.

Về tại sao điểm yếu nổi bật sau khi năng lực tính toán mở ra, điểm mấu chốt là "phương pháp cố định chỉ có thể lặp lại套路 đã định, khó mở rộng thích ứng theo bài toán, môi trường và phản hồi". Tensor hóa và Runtime chính là để tính toán hàng loạt hiệu quả, nên điểm yếu không nằm ở "có thể tính hay không", mà ở "cách tìm kiếm có thể thay đổi hay không".

Về "vấn đề được đẩy lên một tầng", cần nhấn mạnh đối tượng tìm kiếm mở rộng từ "lời giải" sang "phương pháp sinh ra lời giải", chứ không phải đổi phần cứng hay viết lại hình thức bài toán.

Về đối tượng được tiến hóa trong vi phân tiến hóa, đáp án là chiến lược đột biến, hệ số tỷ lệ F và tỷ lệ lai ghép CR; giá trị tối ưu là kết quả được tìm kiếm, phần cứng và dữ liệu thuộc điều kiện bên ngoài.

Về nền tảng mà động lực trang này cung cấp cho nội dung tiếp theo, rơi vào "mở rộng ranh giới đối tượng tiến hóa, cải tiến bản thân thuật toán và tiến hóa liên tục cấp hệ thống".

【Thảo luận tình huống】

Nhóm sau khi tính thử ngoại tuyến đã cố định chiến lược đột biến, F=0.5, CR=0.9, sau đó lâu dài không thay đổi nữa; nửa năm sau thành phố thêm khu vực hạn chế, cấu trúc đơn hàng từ "ít lô, nhiều điểm" chuyển thành "nhiều lô, ít điểm", chất lượng lời giải liên tục giảm sút, mà mỗi lần điều chỉnh tham số đều phải走 lại tính thử ngoại tuyến, chu kỳ phản hồi tính bằng tuần.

Vấn đề là họ chỉ tìm kiếm ở tầng "đường đi ứng viên", cơ chế "cách sinh đường đi ứng viên" bị đặt trước thủ công và cố định lâu dài, đây chính là ranh giới của tối ưu truyền thống. Nếu đưa vào tiến hóa phương pháp, điều bước vào không gian tìm kiếm là lựa chọn chiến lược đột biến, F, CR, cùng các tổ hợp tham số liên quan và quy tắc điều phối chiến lược, chúng đều từ hằng số trở thành đối tượng có thể được điều chỉnh liên tục bởi kết quả đánh giá truyền về.

Nhóm này đã có thể trên thiết bị tăng tốc hoàn thành hàng triệu lần đánh giá ứng viên một ngày, cho thấy điểm yếu "tính không nổi" cơ bản đã mở ra, điểm yếu còn lại chính là "cách tìm kiếm bị cố định". Sau khi đưa tầng phương pháp vào tiến hóa, chi phí tìm kiếm phương pháp bổ sung có thể chia sẻ cùng một bộ khả năng song song hàng loạt với tìm kiếm lời giải, chi phí biên khả kiểm soát. Cách triển khai hợp lý là lấy chiến lược đột biến và F, CR làm trạng thái có thể tiến hóa gắn thêm trên tensor quần thể, cùng các trạng thái khác bước vào đồ thị tính toán hàng loạt; kết quả đánh giá làm tín hiệu phản hồi truyền về tầng phương pháp, cập nhật phân bố chiến lược và tham số theo nhịp nhất định; đồng thời giữ cấu hình cơ sở ngoại tuyến làm đối chứng, đánh giá lợi ích ròng bằng chất lượng lời giải và thời gian lên sóng phản hồi dưới cùng ngân sách năng lực tính toán.

【Kiểm tra hiểu biết】

Yêu cầu sinh viên nói rõ sự khác biệt giữa tối ưu đơn tầng truyền thống và tiến hóa phương pháp. Nếu họ chỉ có thể nói "bên phải tính nhanh hơn, tìm tốt hơn", điều đó cho thấy chưa nắm được điểm mấu chốt; điểm mấu chốt là đối tượng tìm kiếm bên phải có thêm một tầng——bản thân phương pháp đã bước vào vòng lặp được tìm kiếm, được đánh giá, được cập nhật.

【Gợi ý chuyển tiếp】

Tiếp theo sẽ đưa tầng "dịch chuyển lên" này vào cơ chế cụ thể, xem bản thân thuật toán được cải tiến như thế nào.

<a id="lecture-page-3"></a>

### Tiến hóa kỹ thuật và nguồn gốc lịch sử của hệ thống thông minh

*Trang 3*

> **Mục tiêu trang:** Người học cần nắm vững vị trí nguồn gốc kỹ thuật của tính toán tiến hóa trong sự hội tụ đa tuyến.

> **Mục tiêu trang**
>
> Kéo lịch sử kỹ thuật của hệ thống thông minh trở về từ cách hiểu sai "tiến hóa đơn tuyến", để người học nắm vững vị trí của tính toán tiến hóa trong sự hội tụ của bốn nguồn gốc, và từ đó hiểu định hướng kiến trúc của EvoX——coi "tiến hóa liên tục" như năng lực hệ thống có thể vận hành, chứ không phải mẹo nhỏ ở tầng thuật toán.

**Điểm giảng dạy chính**

- Một, bốn nguồn gốc, bốn cách đặt câu hỏi. Đọc lịch sử kỹ thuật thành một đường thẳng, sẽ đánh giá sai nghiêm trọng hệ thống thông minh ngày nay. Chủ nghĩa ký hiệu quan tâm "quy tắc và ký hiệu", dùng biểu diễn tri thức hiển ngôn và suy luận logic để khắc họa trí tuệ, đặt "nói rõ" trước "tính ra", cái giá là khó ứng phó với thực tế mờ, đa chiều, nhiễu
- Chủ nghĩa kết nối quan tâm "dữ liệu và biểu diễn", dùng mạng nơ-ron và biểu diễn phân tán để học tham số, giỏi khớp ánh xạ phức tạp, nhưng thường cần một mục tiêu và nhãn được chỉ định rõ ràng
- Điều khiển học quan tâm "phản hồi và vòng kín", hiểu trí tuệ như quá trình điều chỉnh liên tục giữa hệ thống và môi trường, nó đưa ra cơ chế "sửa chữa liên tục", nhưng để "nên khám phá gì" cho chiến lược tìm kiếm
- Tính toán tiến hóa quan tâm "quần thể, đột biến, chọn lọc", dùng quần thể mang tính đa dạng, dùng đột biến và tái tổ hợp sinh ra thay đổi, dùng đánh giá và chọn lọc giữ lại cấu trúc hiệu quả, nó không trả lời "đáp án đúng là gì", mà trả lời "làm thế nào liên tục tốt lên trong không gian mở". Khi gặp bất kỳ đoạn tự sự lịch sử kỹ thuật nào, trước tiên dùng bốn từ khóa này để định vị nó thuộc nguồn gốc nào, phán đoán sẽ nhanh hơn nhiều. Hai, hội tụ không phải thay thế. Ba tuyến cổ điển cung cấp năng lực biểu diễn, sinh và khớp
- Tính toán tiến hóa cung cấp cơ chế tìm kiếm mở, thích ứng và cải tiến liên tục
- Hai cái chồng lên nhau, vừa vặn bao phủ "biết tính như thế nào" và "biết đi về đâu" hai vấn đề ở tầng khác nhau. Do đó bất kỳ cách nói "một trường phái nào đó đã bị đào thải" đều lệch khỏi phán đoán của trang này: hội tụ là sự chồng lớp cộng tác của các cơ chế tầng khác nhau trong cùng một hệ thống, chứ không phải một trường phái áp đảo các trường phái khác. Có thể kết hợp với sơ đồ quan hệ "bốn nguồn gốc → một điểm hội tụ" trên trang, theo mũi tên từ bốn ô bên trái lần lượt chỉ vào điểm hội tụ trung tâm, rồi sang phải bước vào "hệ thống thông minh", cuối cùng xuống dưới dẫn ra "điểm kết nối EvoX: tính toán tiến hóa × GPU × mô hình lớn". Trí tuệ có thể được coi như "sản phẩm đặt trước" để bàn giao——trước tiên định nghĩa nhãn và đầu ra tối ưu duy nhất, để mô hình tiến sát nó
- Cũng có thể được coi như "quá trình môi trường" để nuôi dưỡng——chỉ định nghĩa không gian tìm kiếm và tiêu chuẩn đánh giá, để quần thể tự phát hiện lời giải khả dụng trong lặp. EvoX chọn cái sau. Phán đoán một hệ thống mới thuộc loại nào, chỉ cần hỏi một câu: mục tiêu của nó bị con người định nghĩa chết trước, hay được môi trường sàng lọc ra trong đánh giá liên tục? Bốn, định vị kiến trúc của EvoX. EvoX đứng tại điểm hội tụ, lấy tính toán tiến hóa làm nguồn gốc kỹ thuật trực tiếp, kết hợp với nền tảng kỹ thuật đương đại như GPU, mô hình lớn, khiến tiến hóa liên tục có tính khả vận hành kỹ thuật. Trang này chỉ làm nền cho nguồn gốc và định vị, các chi tiết như nền tảng tensor hóa, tiến hóa phương pháp, MetaDE để lại triển khai ở trang sau.

**Phạm vi từ khóa**

- Chủ nghĩa ký hiệu, chủ nghĩa kết nối, điều khiển học, tính toán tiến hóa, điểm hội tụ, sản phẩm đặt trước, quá trình môi trường, điểm kết nối EvoX.

**Xử lý bài tập**

Năm câu trắc nghiệm hỏi ngay sau khi giảng, trọng tâm là truy vấn căn cứ chứ không chỉ báo đáp án. Câu một, đáp án rơi vào chủ nghĩa ký hiệu, nếu sinh viên chọn sai, nhắc "tuyến nào có từ khóa là quy tắc, ký hiệu, logic, chứ không phải dữ liệu, phản hồi hay quần thể". Câu hai, phát biểu đúng là quần thể sinh ra thay đổi, được đánh giá và chọn lọc giữ lại cấu trúc hiệu quả, không đặt trước lời giải tối ưu duy nhất; khác biệt mấu chốt ở "ai quyết định đáp án". Câu ba, đáp án là khiến tiến hóa liên tục từ kỹ thuật thuật toán nâng lên thành năng lực hệ thống có thể vận hành, có thể nhắc "định vị kiến trúc" nghĩa là không thay thế bất kỳ trường phái nào, mà là để cơ chế tiến hóa thực sự chạy được, duy trì được. Câu bốn, phù hợp quan điểm trí tuệ kiểu quá trình môi trường là "chỉ định nghĩa không gian tìm kiếm và tiêu chuẩn đánh giá, để quần thể tự phát hiện lời giải khả dụng trong lặp".

Câu năm, phán đoán chính xác là tuyến cổ điển cung cấp biểu diễn, sinh và khớp, tính toán tiến hóa cung cấp tìm kiếm mở, thích ứng và cải tiến liên tục. Nguyên nhân chung của trả lời sai thường là đọc "hội tụ" thành "thay thế", hoặc nhầm tính toán tiến hóa thành phương pháp giám sát cần gán nhãn, cần quay lại giảng giải trang này để định vị lại.

Phương án A của hệ thống điều phối giao hàng tức thì thành phố (học giám sát tiến sát quyết định tối ưu lịch sử do chuyên gia gán nhãn) và phương án B (chỉ định không gian tìm kiếm và tiêu chuẩn đánh giá đa chỉ số, do quần thể tìm kiếm lặp, và nhờ GPU đánh giá song song). Câu hỏi thứ nhất so sánh hai quan điểm trí tuệ: thực chất khác biệt không ở độ phức tạp thuật toán, mà ở đáp án do con người đặt trước, hay do môi trường sàng lọc ra trong đánh giá liên tục; EvoX gần với phương án B hơn. Câu hỏi thứ hai về rủi ro dài hạn và cách ứng phó của tiêu chuẩn đánh giá: câu trả lời khả dĩ bao gồm thiết kế chỉ số không đúng dẫn đến tối ưu chính xác sai mục tiêu, tiêu chuẩn cố định sau đó đa dạng quần thể giảm và tìm kiếm đình trệ, chỉ số bị lách để thỏa mãn mà lời giải sinh ra không được chấp nhận về nghiệp vụ;

Biện pháp tương ứng có gia trọng đa mục tiêu hoặc mặt trước Pareto và định kỳ hiệu chỉnh lại trọng số, đưa vào duy trì đa dạng và khởi tạo lại định kỳ, đặt ràng buộc cứng và kiểm tra an toàn cho ứng viên lời giải, đưa hiệu suất thực tế của lời giải được chấp nhận hồi lưu thành vòng kín của tiêu chuẩn đánh giá.

**Kiểm tra hiểu biết**

Yêu cầu một sinh viên dùng lời của mình nói rõ bốn nguồn gốc mỗi cái giải quyết vấn đề gì, rồi thuật lại sự khác biệt giữa "sản phẩm đặt trước" và "quá trình môi trường"; người giảng dựa trên câu trả lời bổ sung từ khóa còn thiếu, đặc biệt là hai chỗ "đánh giá và chọn lọc" "không đặt trước lời giải tối ưu duy nhất".

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể nói ra quan hệ giữa bốn nguồn gốc và điểm hội tụ, rồi bước vào trang tiếp theo về triển khai cụ thể của tiến hóa phương pháp và nền tảng tensor hóa.

<a id="lecture-page-4"></a>

### Mở rộng ranh giới tiến hóa bởi mô hình lớn và năng lực tính toán

*Trang 4*

> **Mục tiêu trang:** Người học cần hiểu GPU song song và mô hình lớn cùng nhau mở rộng không gian sinh ứng viên và khám phá như thế nào.

> **Mục tiêu trang**
>
> Hiểu năng lực tính toán song song GPU và sinh ngữ nghĩa của mô hình lớn cùng nhau cấu thành nền tảng kỹ thuật kép của tính toán tiến hóa như thế nào, và mở rộng ranh giới ứng viên từ tham số số trị đến chương trình, cấu trúc mô hình và cơ chế thuật toán.

> **Thứ tự giảng giải**
>
> Trước tiên đưa ra hai câu hỏi tổng quát——năng lực tính toán quyết định "một lần có thể khám phá bao nhiêu ứng viên", mô hình lớn quyết định "có thể khám phá ứng viên hình thái gì"; rồi giải thích riêng hai nền tảng, cuối cùng nói rõ quan hệ bổ sung, mở rộng ba cấp và cái giá.

**Điểm giảng dạy chính**

- Đánh giá quần thể truyền thống là vòng lặp tuần tự CPU, chi phí điều phối tích lũy theo quy mô. Đánh giá hàng loạt tensor hóa tổ chức ứng viên, kết quả đánh giá và trạng thái thuật toán thành tensor có thể tính toán toàn bộ, khiến hàng vạn ứng viên cùng khám phá trở thành cách làm thông thường. Nó giải quyết thông lượng, không phán đoán ứng viên tốt xấu, là hỗ trợ nền tảng cho mở rộng không gian ứng viên. Giá trị của mô hình lớn không ở tính nhanh hơn, mà ở hiểu mã, tri thức lĩnh vực và ngữ cảnh nhiệm vụ, có thể sinh đoạn mã, cấu trúc liên kết mô hình đại diện và các ứng viên có cấu trúc phức tạp, từ đó mở ra không gian hình thái ứng viên. Tham số số trị → cấu trúc chương trình/mô hình → cơ chế thuật toán. Hai cấp đầu được thúc đẩy bởi năng lực sinh của mô hình lớn, cấp thứ ba đưa quy trình "sinh như thế nào, đánh giá như thế nào" vào đối tượng tiến hóa, là tiền đề cho tuyến "dùng tiến hóa cải tiến tiến hóa" như MetaDE, AutoPSO thành lập. Năng lực tính toán mở rộng độ rộng tìm kiếm, mô hình lớn nâng cao chất lượng ứng viên và độ phức tạp hình thái
- Thiếu bất kỳ bên nào, mở rộng ranh giới đều không hoàn chỉnh. Chi phí đánh giá tăng, xác minh tính đúng đắn khó hơn, tiêu chuẩn phán đoán "đáp án khả dụng" mờ hơn, cần kết nối với gia trọng đa mục tiêu, quyết định chuyên gia và các khâu khác. Trong tối ưu cánh máy bay, đối tượng tìm kiếm từ tham số số trị đặt trước dịch lên mã giải, cấu trúc mô hình đại diện, thậm chí bản thân phương án sinh và đánh giá
- Đồng thời cần bổ sung quản lý ngân sách đánh giá, kiểm tra cú pháp/giao diện/ràng buộc, thoái lui thất bại và giao diện quyết định chuyên gia. Coi mô hình lớn như máy tính độ thích nghi nhanh hơn, hoặc cho rằng năng lực tính toán đủ thì tự động tìm ra ứng viên cấp chương trình. Cái trước đánh mất không gian hình thái, cái sau bỏ qua ứng viên đến từ đâu.

**Xử lý bài tập**

Năm câu trắc nghiệm có thể lần lượt kiểm tra vai trò năng lực tính toán, năng lực mô hình lớn, thứ tự mở rộng ba cấp, quan hệ bổ sung và năng lực hỗ trợ. Câu 1 nên chọn "tính toán hàng loạt tensor hóa"; câu 2 nên chọn "hiểu mã, tri thức lĩnh vực và ngữ cảnh"; câu 3 nên chọn "tham số số trị→cấu trúc chương trình/mô hình→cơ chế thuật toán"; câu 4 nên chọn "bổ sung, thiếu một không được"; câu 5 nên chọn "kiểm soát chi phí đánh giá, xác minh tính đúng đắn và tiêu chuẩn phán đoán đáp án khả dụng". Nếu sinh viên chọn sai, nhắc phân biệt "tính nhiều" và "tính đúng", cũng như "sinh hình thái" và "thông lượng đánh giá" không phải同一 chuyện.

**Kiểm tra hiểu biết**

Yêu cầu sinh viên dùng một câu trả lời riêng hai câu hỏi——một lần có thể khám phá bao nhiêu ứng viên do gì quyết định, có thể khám phá ứng viên hình thái gì do gì quyết định; rồi lấy một ví dụ từ tối ưu tham số dịch lên cơ chế thuật toán.

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể nói rõ phân công bổ sung giữa năng lực tính toán và mô hình, rồi bước vào tiết tiếp theo về cơ chế cụ thể của tiến hóa phương pháp.

<a id="lecture-page-5"></a>

### Xung đột đa chiều và cân bằng trong bài toán thực tế

*Trang 5*

> **Mục tiêu trang:** Người học cần hiểu sự cần thiết của xung đột đa mục tiêu và giữ lại ứng viên khác biệt trong nhiệm vụ nghiên cứu thực tế.

**Điểm giảng dạy chính**

- Các điểm trên mặt trước Pareto không chi phối lẫn nhau, chỉ có "phù hợp hơn dưới một sở thích nào đó". Khi thấy đồ thị mặt trước, trước tiên hỏi rõ sở thích và ràng buộc là gì, rồi mới bàn phương án nào tốt hay không.
- Nếu quần thể nhanh chóng sụp đổ vào một vùng hẹp, trước tiên kiểm tra áp lực chọn lọc và cơ chế duy trì đa dạng có mất cân bằng không. Một khi độ phủ giảm, khi ràng buộc thay đổi bạn không có phương án dự phòng có thể chuyển đổi.
- Khi đánh giá thực tế đắt đỏ và tín hiệu thưa thớt, ưu tiên đưa hạn mức vào ứng viên có độ bất định cao, lại có thể mở rộng độ phủ không gian cân bằng, thay vì quanh lời giải tối ưu hiện tại tinh chỉnh lặp đi lặp lại.

> **Mục tiêu trang**
>
> Hiểu sự cần thiết của xung đột đa mục tiêu, cân bằng Pareto và giữ lại ứng viên khác biệt trong nghiên cứu thực tế và tối ưu kỹ thuật.
>
> Thứ tự giảng giải và điểm chính:
>
> 1. Bắt đầu từ tính xung đột. Nhiệm vụ thực tế ít khi chỉ có mục tiêu đơn và ràng buộc rõ ràng, thường có nhiều mục tiêu kiềm chế lẫn nhau. Ví dụ thời gian sạc nhanh giảm sẽ mang lại nhiệt sinh và tổn thất tuổi thọ, lực nâng tăng thường kèm lực cản tăng, làm mỏng cánh máy bay cải thiện khí động nhưng làm yếu độ bền kết cấu. Do đó không tồn tại tối ưu miễn phí, cái gọi là tối ưu phải nói rõ "tối ưu dưới sở thích nào".
>
> 2. Hiểu lời giải như một nhóm lời giải cân bằng. Tập lời giải của bài toán đa mục tiêu là mặt trước Pareto. Mỗi điểm trên mặt trước là lời giải không bị chi phối, đại diện cho một khuynh hướng sở thích hợp lý; dưới tiền đề không làm xấu thêm các mục tiêu khác, không thể tiếp tục cải thiện bất kỳ mục tiêu nào. Giữa các điểm không có xếp hạng tuyệt đối, chỉ có "phù hợp hơn dưới một sở thích nào đó". Lời giải bị chi phối thì tồn tại phương án có thể cải thiện toàn diện nó.
>
> 3. Khám phá ưu tiên hơn hội tụ. Hội tụ quá sớm vào một điểm sẽ ép không gian phương án thành một điểm, mất thông tin cấu trúc; một khi ràng buộc, chi phí hoặc rủi ro thay đổi, không có phương án dự phòng có thể chuyển đổi, chỉ có thể tìm kiếm lại. Nên duy trì đa dạng quần thể, để các hướng sở thích khác nhau đồng thời được lấy mẫu và đánh giá, tránh toàn bộ cá thể sụp đổ vào vùng hẹp của mặt trước. Giá trị của khác biệt hóa nằm ở phản hồi thay đổi.
>
> 4. Nền tảng tính toán hỗ trợ triển khai đa hướng. EvoX tổ chức ứng viên, kết quả đánh giá và trạng thái thuật toán thành tensor có thể tính toán toàn bộ, khiến đột biến, đánh giá và cập nhật trạng thái bước vào đồ thị tính toán nhận tối ưu biên dịch; bộ điều phối Runtime phân phối tính toán hàng loạt đến GPU, thiết bị tăng tốc hoặc cụm phân tán. Đánh giá hàng loạt thông lượng cao khiến duy trì quần thể lớn, bao phủ toàn bộ mặt trước khả thi về kỹ thuật.
>
> 5. Khi đánh giá đắt đỏ và phản hồi thưa thớt, chiến lược phân bổ ngân sách phải thay đổi. Đánh giá thực tế thường đến từ mô phỏng, băng thử hoặc thử chế, chi phí một lần cao, tín hiệu thưa thớt. Nên nhờ mô hình đại diện thay thế một phần đánh giá độ trung thực cao, đưa hạn mức hữu hạn vào ứng viên có độ bất định cao, lại có thể mở rộng độ phủ không gian cân bằng, thay vì quanh lời giải tối ưu hiện tại tinh chỉnh lặp đi lặp lại.
>
> 6. Quyền quyết định thuộc về ai. Thuật toán chịu trách nhiệm triển khai không gian cân bằng, cung cấp tập ứng viên có thể so sánh; chuyên gia con người dựa trên sở thích tình huống, pháp quy, ràng buộc thương mại đưa ra phán quyết cuối cùng. Hai bên bổ sung, không thể thay thế lẫn nhau. Về kỹ thuật, bàn giao một nhóm lời giải Pareto kèm giải thích "sở thích—phương án" tương ứng, đáng tin cậy hơn bàn giao một điểm trông có vẻ chính xác.

> **Manh mối tư liệu**
>
> - Sơ đồ mặt trước Pareto lấy "lực nâng ↑ / lực cản ↓" làm tọa độ, đánh dấu mặt trước được cấu thành bởi lời giải không bị chi phối, lời giải bị chi phối, hội tụ quá sớm dẫn đến sụp đổ đa dạng, và lấy mẫu song song theo các hướng sở thích khác nhau. Khi giảng có thể để sinh viên trước tiên phán đoán những điểm nào trong hình có thể nằm trên mặt trước, rồi giải thích người quyết định cần chọn điểm theo ràng buộc tình huống.

**Xử lý bài tập**

Q1 lựa chọn đúng là "mặt trước được cấu thành bởi một nhóm lời giải cân bằng không chi phối lẫn nhau, mỗi điểm tương ứng với khuynh hướng sở thích hợp lý". Có thể truy vấn: nếu một điểm còn có thể cải thiện toàn diện, nó không ở trên mặt trước. Q2 lựa chọn đúng là "hội tụ quá sớm sẽ mất thông tin cấu trúc không gian phương án, không thể nhanh chóng chuyển đổi phương án dự phòng khi ràng buộc hoặc sở thích thay đổi". Nhấn mạnh đây là vấn đề thông tin, không phải vấn đề năng lực tính toán đơn thuần. Q3 lựa chọn đúng là "dùng ngân sách đánh giá hữu hạn bao phủ không gian cân bằng rộng hơn, và nhờ mô hình đại diện thay thế một phần đánh giá độ trung thực cao". Q4 lựa chọn đúng là "thuật toán triển khai không gian cân bằng và cung cấp tập ứng viên, chuyên gia con người dựa trên sở thích và ràng buộc phán quyết cuối cùng". Q5 lựa chọn đúng là "nâng lực nâng thường kèm lực cản tăng, làm mỏng cánh máy bay có lợi khí động nhưng làm yếu kết cấu, cần cân bằng".

Mục tiêu xung đột, sạc nhanh sẽ sinh nhiệt và tăng tốc suy giảm tuổi thọ; sở thích sẽ thay đổi, các dòng xe, hệ pin, công suất trụ sạc nhanh và chính sách bảo hành khác nhau sẽ thay đổi trọng số thời gian sạc và tuổi thọ; đánh giá thực tế đắt đỏ thưa thớt, bàn giao tập lời giải bao phủ mặt trước có thể tái sử dụng ngân sách đánh giá. Quy trình khả vận hành: trước tiên làm một lượng nhỏ đánh giá độ trung thực cao và hiệu chỉnh tham số, xây dựng chiến lược cơ sở và mẫu nhiễu; huấn luyện và xác minh mô hình đại diện; trong EvoX bật duy trì đa dạng và lấy mẫu đa hướng, theo độ phủ mặt trước đưa đánh giá bổ sung vào vùng thưa thớt, độ bất định cao; xuất ra nhóm chiến lược ứng viên và bảng sở thích—phương án tương ứng;

Cuối cùng do kỹ sư toàn xe và pin dựa trên hành trình, công suất sạc nhanh, bảo hành, pháp quy an toàn và chi phí chọn định, và tinh chỉnh nhỏ trong lân cận.

**Kiểm tra hiểu biết**

Để sinh viên dùng lời của mình nói ra "tại sao tối ưu đa mục tiêu bàn giao một nhóm lời giải chứ không phải một điểm", và lấy ví dụ giải thích giá trị của nhóm lời giải này khi sở thích thay đổi. Nếu sinh viên chỉ nhớ "xung đột mục tiêu", có thể nhắc họ bổ sung "mặt trước Pareto" "đa dạng là lượng thông tin" "ngân sách đánh giá đưa vào bao phủ biên".

<a id="lecture-page-6"></a>

### Tư tưởng cốt lõi và bước nhảy vọt của tiến hóa phương pháp

*Trang 6*

> **Mục tiêu trang:** Người học cần hiểu đột phá lý thuyết của việc đưa phương pháp sinh ứng viên vào đối tượng tiến hóa.

**Điểm giảng dạy chính**

- Tiêu chí phán đoán tiến hóa phương pháp rất đơn giản: biến tối ưu có bao gồm phương pháp, toán tử hoặc chiến lược sinh ứng viên hay không. Chỉ có lời giải thay đổi, vẫn là tối ưu truyền thống; tầng phương pháp cũng đang nhận phản hồi và cập nhật, mới là tiến hóa phương pháp.
- Tầng lời giải trả lời "ứng viên này tốt hay không", tầng phương pháp trả lời "làm thế nào sinh ứng viên tốt hơn". Hai tầng kết nối qua tín hiệu đánh giá, đừng nhầm cập nhật tầng phương pháp thành tinh chỉnh nhỏ một lời giải đơn.
- Tiến hóa phương pháp không theo đuổi tối ưu một lần, mà theo đuổi tổng quát hóa liên nhiệm vụ, tính bền vững, đa dạng và chi phí tính toán. Khi ôn tập dùng "bộ giải biết tìm lời giải hơn" để kiểm tra mình đã thực sự hiểu chưa.

> **Mục tiêu trang**
>
> Biến "phương pháp sinh ứng viên lời giải" thành đối tượng tối ưu, để thuật toán từ công cụ cố định chuyển thành bộ giải liên tục tiến hóa.
>
> Thứ tự giảng giải và điểm chính:
>
> 1. Trước tiên định vị điểm bước nhảy. Tuyến truyền thống là "bài toán→thuật toán cố định→ứng viên lời giải", thuật toán do nhà nghiên cứu chọn trước, không thay đổi trong quá trình tìm kiếm, đối tượng tối ưu là lời giải x. Tiến hóa phương pháp viết lại tuyến thành "họ bài toán/môi trường→không gian phương pháp có thể tiến hóa→bộ sinh ứng viên→đánh giá ứng viên lời giải→cập nhật phương pháp→sinh lại", biến tối ưu mở rộng đến phương pháp, toán tử, quy tắc siêu启发式 hoặc quá trình sinh ứng viên m. "Phương pháp" ở đây có thể cụ thể đến chiến lược đột biến của vi phân tiến hóa, trọng số quán tính và cấu trúc liên kết của bầy đàn hạt, toán tử tìm kiếm cục bộ, cũng có thể lên tầng đến quy tắc chọn và điều phối thuật toán.
>
> Đối tượng tiến hóa mở rộng từ lời giải, tham số, cấu trúc đến phương pháp, toán tử, quy tắc siêu启发式 hoặc quá trình sinh ứng viên; bài toán được phát biểu lại thành "tiến hóa ra bộ giải biết tìm lời giải hơn trong nhiệm vụ hoặc môi trường"; phương pháp sinh ứng viên và nhận đánh giá nhiệm vụ, đánh giá dẫn dắt đột biến, chọn lọc và tái tổ hợp của phương pháp, hình thành phản hồi liên tục giữa tầng phương pháp và tầng lời giải; tiêu chuẩn đánh giá chuyển từ tối ưu một lần sang tổng quát hóa, tính bền vững, đa dạng và chi phí tính toán liên nhiệm vụ, liên môi trường; vai trò nhà nghiên cứu chuyển thành thiết kế không gian phương pháp có thể tiến hóa, tín hiệu phản hồi và cơ chế chọn lọc.
>
> 3. Trọng tâm giải thích vòng kín phản hồi. Tầng phương pháp sinh bộ sinh ứng viên, tầng lời giải dùng nó sinh ứng viên trên nhiệm vụ cụ thể và nhận đánh giá; đánh giá qua tổng hợp hoặc phân phối tín dụng quay về tầng phương pháp, dẫn dắt đột biến, chọn lọc và tái tổ hợp của bản thân phương pháp. Nếu phản hồi quá thưa thớt hoặc chỉ thưởng tối ưu ngắn hạn, tầng phương pháp dễ quá khớp vào một nhiệm vụ đơn; nếu phản hồi bao gồm tổng quát hóa liên nhiệm vụ và đa dạng, mới có thể học được siêu chiến lược "biết tìm lời giải hơn". Có thể hiểu là mở thêm một tầng tìm kiếm tiến hóa trên không gian phương pháp, nhưng đánh giá của nó không thể tách khỏi hiệu suất thực tế của tầng lời giải.
>
> MetaDE khiến chiến lược, tham số thậm chí tổ hợp toán tử của vi phân tiến hóa trở thành đối tượng có thể tiến hóa; AutoPSO đưa cấu trúc, tham số hoặc cấu trúc liên kết của bầy đàn hạt vào tìm kiếm tự động. Hai cái chia sẻ cùng xuất phát điểm: đưa phương pháp sinh ứng viên vào đối tượng tối ưu, thực hiện tự tiến hóa thuật toán. Trang này trước tiên xây dựng khái niệm thống nhất, tiếp theo triển khai kiến trúc cụ thể và tiến hóa cấu trúc thuật toán.
>
> Nếu phương pháp cố định không đổi, hệ thống vẫn là tìm lời giải dưới thuật toán cho trước; chỉ khi tầng phương pháp cũng nhận phản hồi và cập nhật, mới bước vào tiến hóa phương pháp. Tầng lời giải trả lời "ứng viên này tốt hay không", tầng phương pháp trả lời "làm thế nào sinh ứng viên tốt hơn". Hai tầng kết nối qua tín hiệu đánh giá, đừng nhầm cập nhật tầng phương pháp thành tinh chỉnh nhỏ một lời giải đơn.

> **Manh mối tư liệu**
>
> - Có thể kết hợp với sơ đồ cấu trúc khái niệm trên trang để giảng——bên trái là chuỗi đơn tuyến truyền thống, bên phải là vòng kín tiến hóa phương pháp, ở giữa dùng "bước nhảy: phương pháp trở thành đối tượng tối ưu" làm nổi bật khác biệt
> - Bên dưới chú thích MetaDE / AutoPSO làm hướng triển khai. Manh mối bài tập và kiểm tra hiểu biết: Câu khái niệm nên chọn đột phá lý thuyết "đưa phương pháp sinh ứng viên vào đối tượng tiến hóa". Trả lời đúng cho thấy hiểu biết phù hợp đề cương
> - Trả lời sai trước tiên xem lại khái niệm cốt lõi rồi thử lại. Khi phán đoán các cách nói như "thuật toán từ công cụ cố định chuyển thành bộ giải liên tục tiến hóa", lựa chọn hợp lý nhất là có thể dùng bằng chứng hoặc ví dụ giải thích khái niệm trang này, và có thể nói rõ căn cứ
> - Tránh bỏ qua tài liệu để học vẹt trực tiếp, chỉ dựa vào cảm giác đưa ra kết luận, hoặc đồng thời thay đổi mọi yếu tố để so sánh. Nền tảng tối ưu tổ hợp đa nhiệm vụ đưa vào tiến hóa phương pháp. Bài toán phát biểu lại: từ "tìm lời giải tối ưu cho mỗi nhiệm vụ dưới thuật toán di truyền cố định" thành "tiến hóa ra bộ giải biết tìm lời giải hơn trong họ nhiệm vụ hoặc môi trường". Không gian phương pháp có thể tiến hóa có thể bao gồm loại và cường độ toán tử lai ghép và đột biến, chiến lược chọn lọc, toán tử tìm kiếm cục bộ, quy tắc siêu启发式, chiến lược kiểm soát tham số, quá trình sinh ứng viên, cùng tổ hợp chiến lược kiểu MetaDE, cấu trúc và tham số kiểu AutoPSO. Vòng kín phản hồi: tầng phương pháp lấy mẫu hoặc đột biến ra một nhóm phương pháp hoặc cấu hình toán tử, tầng lời giải sinh ứng viên trên nhiều nhiệm vụ và tính độ thích nghi
> - Hiệu suất liên nhiệm vụ tổng hợp thành tín hiệu phản hồi, quay về tầng phương pháp để chọn lọc, đột biến và tái tổ hợp, cập nhật phân bố phương pháp, rồi bước vào vòng sinh tiếp theo. Chuyển dịch đánh giá: không chỉ nhìn tối ưu một lần đơn nhiệm vụ, mà nhìn tổng quát hóa liên nhiệm vụ, tính bền vững, đa dạng, chi phí tính toán và tính ổn định. Rủi ro chính: tầng meta quá khớp vào một lượng nhỏ nhiệm vụ hoặc thưởng ngắn hạn, dẫn đến sụp đổ đa dạng không gian phương pháp
> - Cách ứng phó bao gồm lấy mẫu nhiệm vụ, chính quy hóa, duy trì đa dạng và xác minh phân tầng.

**Hoạt động trên lớp**

Để sinh viên dùng lời của mình thuật lại chuỗi "họ bài toán/môi trường→không gian phương pháp có thể tiến hóa→bộ sinh ứng viên→đánh giá ứng viên lời giải→cập nhật phương pháp→sinh lại", và lấy ví dụ phân biệt tầng phương pháp và tầng lời giải. Ngẫu nhiên yêu cầu một sinh viên tổng kết trọng điểm trang này, giáo viên bổ sung từ khóa còn thiếu.

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể nói ra tiêu chí phán đoán——biến tối ưu có bao gồm phương pháp, toán tử hoặc chiến lược sinh ứng viên hay không, và tầng phương pháp có nhận phản hồi và cập nhật hay không——rồi bước vào trang tiếp theo về kiến trúc cụ thể, ứng dụng hoặc tổng kết.

**Phạm vi từ khóa**

- Tiến hóa phương pháp, Meta-Evolution, không gian phương pháp có thể tiến hóa, bộ sinh ứng viên, tầng phương pháp và tầng lời giải, vòng kín phản hồi, MetaDE, AutoPSO, tổng quát hóa liên nhiệm vụ, tính bền vững, đa dạng, chi phí tính toán.

<a id="lecture-page-7"></a>

### Tiến hóa hai tầng trong ngoài và cơ chế thích ứng

*Trang 7*

> **Mục tiêu trang:** Người học cần nắm vững cơ chế cộng tác hai tầng giữa giải nhiệm vụ tầng trong và tối ưu chiến lược tầng ngoài.

**Điểm giảng dạy chính**

- Khi ghi nhớ trước tiên hỏi: ai đang giải bài? ai đang sửa phương pháp? Tầng trong xuất ra lời giải và hiệu suất, tầng ngoài xuất ra cấu hình và chiến lược. Rồi nối "hiệu suất tầng trong → độ thích nghi tầng ngoài → cập nhật cấu hình tầng trong" thành vòng kín.
- Độ thích nghi tầng ngoài đánh giá hiệu suất của một bộ cấu hình tầng trong trên nhiệm vụ hàng loạt, không phải giá trị mục tiêu tối ưu của một nhiệm vụ đơn. Hiểu điều này có thể tránh nhầm tầng ngoài thành một bộ giải trực tiếp khác.
- Nếu phương sai đánh giá tầng trong rất lớn, tầng ngoài có thể coi cấu hình tình cờ tốt là thực sự tốt hơn. Khi ôn tập suy nghĩ hiệu suất trung bình, thống kê bền vững và tăng mẫu đánh giá giúp tầng ngoài quyết định ổn định như thế nào.

Mục tiêu trang

Trang này xoay quanh tiến hóa hai tầng trong ngoài và cơ chế thích ứng, yêu cầu người học hiểu tiến hóa phương pháp không chỉ tối ưu lời giải, mà là thêm tầng meta có thể tiến hóa trên tầng giải nhiệm vụ, khiến hệ thống có thể tự động điều chỉnh phương pháp giải theo nhiệm vụ và môi trường thay đổi. Sau khi học xong cần có thể nói rõ phân công trách nhiệm tầng trong và tầng ngoài, cách hình thành vòng kín phản hồi, và vai trò của GPU song song trong đó.

Thứ tự giảng giải

Ai đang giải bài? Ai đang sửa phương pháp? Từ đó dẫn ra tầng trong xuất ra lời giải và hiệu suất, tầng ngoài xuất ra cấu hình và chiến lược. Rồi nối "hiệu suất tầng trong → độ thích nghi tầng ngoài → cập nhật cấu hình tầng trong" thành vòng kín, giúp sinh viên nắm bắt tổng thể cấu trúc hai tầng.

Điểm giảng dạy chính

1. Tầng trong là tầng giải nhiệm vụ. Nó chịu trách nhiệm giải nhiệm vụ thực tế, song song thực thi lượng lớn nhiệm vụ cụ thể, xuất ra ứng viên lời giải, giá trị mục tiêu f và hiệu suất chạy, ví dụ thời gian tài nguyên, số bước hội tụ, tỷ lệ thành công. Điểm neo ghi nhớ là "làm ra bài".

2. Tầng ngoài là tầng tiến hóa phương pháp. Nó không trực tiếp giải nhiệm vụ gốc, mà tiến hóa cấu hình, chiến lược và tham số của thuật toán tầng trong, bao gồm đánh giá, chọn lọc, đột biến, cập nhật và các thao tác khác. Điểm neo ghi nhớ là "làm cho cách làm bài tốt hơn".

3. Vòng kín phản hồi là mấu chốt của cấu trúc hai tầng. Hiệu suất nhiệm vụ hàng loạt của tầng trong được tổng hợp thành tín hiệu độ thích nghi tầng ngoài, dùng để chọn lọc, đột biến và cập nhật cấu hình tầng trong tốt hơn; cấu hình sau cập nhật lại quay về tầng trong, hình thành vòng kín.

4. Cơ chế thích ứng thể hiện ở việc tầng ngoài liên tục điều chỉnh chiến lược tầng trong theo nhiệm vụ và môi trường thay đổi. Nó không phải nối hai thuật toán đơn giản, mà là thêm tầng meta có thể tiến hóa trên tầng giải nhiệm vụ, khiến hệ thống chuyển từ thuật toán do con người thiết lập sang thuật toán tự thích ứng nhiệm vụ.

Tầng trong xuất ra "lời giải", tầng ngoài xuất ra "phương pháp tốt hơn sinh ra lời giải". Độ thích nghi tầng ngoài không phải giá trị tối ưu của nhiệm vụ gốc, mà là đánh giá hiệu suất của một bộ cấu hình tầng trong trên nhiệm vụ hàng loạt.

GPU có thể song song chạy lượng lớn nhiệm vụ tầng trong, cung cấp phản hồi thống kê đầy đủ hơn cho tiến hóa tầng ngoài, và giảm chi phí chờ tìm kiếm. Ở đây cần nhấn mạnh, song song nâng cao hỗ trợ thống kê và hiệu quả, không hủy bỏ đánh giá, cũng không đảm bảo tối ưu toàn cục.

DE tầng trong chịu trách nhiệm nhiệm vụ tối ưu cụ thể, tầng ngoài dựa trên hiệu suất chạy tầng trong chọn và điều chỉnh cấu hình, chiến lược của DE, như chiến lược đột biến, tỷ lệ lai ghép, quy mô quần thể; lượng lớn kết quả nhiệm vụ tầng trong ngược lại hướng dẫn chọn cấu hình tầng ngoài, hình thành vòng kín hai tầng "dùng tiến hóa cải tiến tiến hóa".

Manh mối tư liệu

Bên trái là tầng giải nhiệm vụ tầng trong, bên phải là tầng tiến hóa phương pháp tầng ngoài. Bên trái xuất ra ứng viên lời giải, giá trị mục tiêu và hiệu suất chạy, qua "dữ liệu hiệu suất → tín hiệu độ thích nghi" bước vào bên phải; bên phải sau đánh giá, chọn lọc, đột biến, cập nhật, qua "cập nhật cấu hình và chiến lược tầng trong" quay về bên trái. Phía dưới chú thích GPU song song, dùng để chạy hàng loạt nhiệm vụ tầng trong.

Kiểm tra hiểu biết

Hiệu suất tầng trong ảnh hưởng tầng ngoài như thế nào? Nếu sinh viên chỉ nói "chạy nhiệm vụ song song", nhắc bổ sung "tổng hợp thành tín hiệu độ thích nghi, rồi dẫn dắt chọn lọc, đột biến và cập nhật".

Xử lý bài tập

Bài tập trang này xoay quanh phân chia trách nhiệm, vòng kín phản hồi, vai trò song song và "dùng tiến hóa cải tiến tiến hóa".

Trách nhiệm chính tầng trong là giải nhiệm vụ thực tế, sinh ứng viên lời giải, giá trị mục tiêu và dữ liệu hiệu suất chạy. Nhấn mạnh tầng trong trước tiên tạo ra lời giải và hiệu suất, tầng ngoài mới tiến hóa cấu hình và chiến lược.

Tầng ngoài không trực tiếp giải nhiệm vụ gốc, vì trách nhiệm của nó là tiến hóa cấu hình, chiến lược và tham số của thuật toán tầng trong, thuộc điều khiển tầng meta. Nắm "phương pháp tiến hóa như thế nào", không phải "lời giải là gì".

Kết quả đánh giá tầng trong được tổng hợp thành tín hiệu độ thích nghi tầng ngoài, dùng để chọn lọc, đột biến và cập nhật cấu hình tầng trong. Mấu chốt của cấu trúc hai tầng là vòng kín phản hồi, không phải song song mở.

Vai trò quan trọng nhất của GPU song song lượng lớn nhiệm vụ tầng trong là cung cấp phản hồi thống kê đầy đủ hơn và giảm chi phí chờ tìm kiếm. Song song nâng cao hỗ trợ thống kê và hiệu quả, không bằng hủy bỏ đánh giá hoặc đảm bảo tối ưu toàn cục.

"dùng tiến hóa cải tiến tiến hóa" chỉ tầng ngoài tiến hóa cấu hình và chiến lược của thuật toán tầng trong, hiệu suất tầng trong lại phản hồi độ thích nghi tầng ngoài, hình thành vòng kín hai chiều.

Khi đúng khẳng định sinh viên có thể liên hệ khái niệm trang này và nói rõ căn cứ; khi sai hướng dẫn quay về hai điểm phán đoán phân công trách nhiệm và vòng kín phản hồi.

Xử lý tình huống

DE giải trên thể hiện điều phối cụ thể, sinh ứng viên lời giải, giá trị mục tiêu, số bước hội tụ và hiệu suất chạy khác. Trách nhiệm tầng ngoài: không trực tiếp xếp lịch sản xuất, mà tiến hóa cấu hình và chiến lược của DE, như chiến lược đột biến, tỷ lệ lai ghép, quy mô quần thể. Vòng kín phản hồi: hiệu suất nhiệm vụ hàng loạt tầng trong được tổng hợp thành tín hiệu độ thích nghi tầng ngoài, tầng ngoài dựa đó chọn lọc, đột biến và cập nhật cấu hình tầng trong tốt hơn; cấu hình sau cập nhật lại quay về tầng trong.

Nếu phương sai đánh giá tầng trong rất lớn, độ thích nghi tầng ngoài có thể dùng hiệu suất trung bình của nhiều lần lặp hoặc nhiệm vụ hàng loạt, trung vị, thống kê bền vững hoặc giới hạn dưới tin cậy có phạt, giảm chọn sai do phương sai cao; khi cần thiết tăng số mẫu đánh giá mỗi bộ cấu hình. GPU song song có thể chạy hàng loạt lượng lớn nhiệm vụ tầng trong, mở rộng cỡ mẫu và rút ngắn thời gian chờ, khiến ước lượng độ thích nghi tầng ngoài ổn định hơn.

Gợi ý chuyển tiếp

Sau khi xác nhận sinh viên có thể nói ra "tầng trong xuất ra lời giải và hiệu suất, tầng ngoài xuất ra cấu hình và chiến lược, hiệu suất tầng trong phản hồi độ thích nghi tầng ngoài", rồi bước vào trang tiếp theo về ứng dụng, ví dụ hoặc tổng kết.

<a id="lecture-page-8"></a>

### Triển khai tiến hóa phương pháp điển hình: Kiến trúc MetaDE

*Trang 8*

> **Mục tiêu trang:** Người học cần hiểu MetaDE đưa chiến lược đột biến và tham số của vi phân tiến hóa vào tối ưu bởi tầng ngoài như thế nào.

**Điểm giảng dạy chính**

- Tầng ngoài tìm kiếm cấu hình thuật toán, tầng trong tìm kiếm lời giải bài toán. Thấy「chiến lược, cách lai ghép, F, CR được tối ưu」là tầng ngoài; thấy「lời giải này tốt hay không」là tầng trong. Phán đoán bất kỳ mô tả thuộc tầng nào, trước tiên hỏi nó tối ưu cấu hình hay lời giải.
- Một lần chạy tầng trong mang tính ngẫu nhiên, dùng nó trực tiếp so sánh hai cấu hình rất dễ đưa ra kết luận tình cờ. Trước khi so sánh hãy để cấu hình chạy độc lập nhiều lần và lấy trung bình (hoặc trung vị), rồi mới giao cho tầng ngoài chọn lọc, nếu không tầng ngoài chọn chính là nhiễu ngẫu nhiên.
- Chi phí đánh giá xấp xỉ bằng số cá thể tầng ngoài × số thế hệ × số lần lặp tầng trong. Trước tiên tính rõ khoản này, rồi mới quyết định đầu tư song song hóa, tensor hóa và điều phối runtime; nếu không tầng ngoài chưa hội tụ, ngân sách thời gian và năng lực tính toán đã cạn.

【Mục tiêu trang】Hiểu MetaDE đưa chiến lược đột biến và tham số then chốt của vi phân tiến hóa vào tối ưu bởi tiến hóa tầng ngoài như thế nào, từ đó chuyển "tiến hóa như thế nào" từ đặt trước thủ công sang tìm kiếm thích ứng.

【Thứ tự giảng giải】Trước tiên làm rõ cấu trúc hai tầng (tầng ngoài tìm thuật toán, tầng trong giải bài toán), rồi giải thích đối tượng và vòng kín kiểm tra của tiến hóa tầng ngoài, tiếp theo so sánh với DE cố định và nói rõ cái giá và tiền đề, cuối cùng đưa ra ví dụ tối thiểu và định vị.

【Điểm giảng dạy chính】

Tầng tiến hóa ngoài lấy một bộ cấu hình thuật toán DE làm một cá thể, thực thi chọn lọc, lai ghép, đột biến và đào thải trên không gian cấu hình; tầng nhiệm vụ trong là quá trình giải thông thường của vi phân tiến hóa trên nhiệm vụ tối ưu gốc. Đối tượng tối ưu tầng ngoài là cấu hình thuật toán (quyết định "tìm như thế nào"), đối tượng tối ưu tầng trong là lời giải bài toán (quyết định "tìm tốt đến đâu"). Có thể kết hợp hình minh họa: tầng ngoài bao gồm chiến lược rand/1, best/1, current-to-best/1, cách lai ghép, F, CR v.v.; cấu hình ứng viên được phát xuống, hiệu suất thực được truyền về.

Một cá thể tầng ngoài mã hóa toàn bộ hành vi thuật toán, bao gồm chiến lược đột biến, cách lai ghép, hệ số tỷ lệ F, xác suất lai ghép CR, quy mô quần thể v.v. Khác biệt giữa các cá thể tương ứng với khuynh hướng hành vi của cùng một họ thuật toán dưới đặc tính bài toán khác nhau.

Mỗi cấu hình ứng viên phải được đưa vào nhiệm vụ gốc thực sự chạy, nhận kiểm tra hiệu suất thực; tầng ngoài dựa trên độ thích nghi phản hồi từ tầng trong thực hiện chọn lọc, đào thải và giữ lại. Hình thành vòng kín lặp "sinh cấu hình→kiểm tra nhiệm vụ→phản hồi chọn lọc". Độ thích nghi tầng ngoài chỉ có thể đến từ kết quả chạy thực tế tầng trong, không thể chỉ dựa vào chỉ số meta hoặc tiên nghiệm.

Chiến lược và tham số của DE truyền thống do nhà nghiên cứu đặt trước và cố định toàn bộ; MetaDE giao quyền quyết định này cho tiến hóa tầng ngoài, khiến thuật toán có năng lực thích ứng với đặc tính bài toán——ví dụ giai đoạn đầu tìm kiếm ưu tiên rand/1 có tính khám phá mạnh hơn và F lớn hơn, giai đoạn sau chuyển sang best/1 hội tụ nhanh hơn và F nhỏ hơn.

Mỗi cấu hình ứng viên đều phải chạy trọn một lần nhiệm vụ tầng trong (thường còn cần nhiều lần chạy độc lập lấy trung bình để giảm ngẫu nhiên), chi phí đánh giá tăng gấp bội theo quy mô quần thể và số thế hệ tầng ngoài. Ngân sách đánh giá xấp xỉ bằng số cá thể tầng ngoài × số thế hệ × số lần lặp tầng trong. Do đó MetaDE phụ thuộc mạnh vào nền tảng kỹ thuật như song song hóa, tensor hóa và điều phối runtime.

Một cá thể nào đó trong quần thể tầng ngoài mã hóa là "rand/1 + lai ghép nhị thức + F=0.5, CR=0.9", cấu hình này được đưa vào nhiệm vụ tầng trong thực thi nhiều lần chạy độc lập, lấy độ thích nghi trung bình làm độ thích nghi cá thể tầng ngoài; tầng ngoài dựa đó chọn lọc, đột biến và giữ lại cấu hình tốt hơn, hình thành vòng kín lặp "sinh cấu hình—kiểm tra nhiệm vụ—phản hồi chọn lọc". Bước này chính là hình thái khả vận hành tối thiểu của "dùng thuật toán tiến hóa cải tiến thuật toán tiến hóa".

MetaDE là triển khai cụ thể của "tiến hóa hai tầng trong ngoài và cơ chế thích ứng" từ tư tưởng sang kiến trúc khả thực hiện, cũng cung cấp mô hình phương pháp cho tiến hóa cấu trúc thuật toán tiếp theo (AutoPSO, EvoGO).

Cấu hình thuật toán của vi phân tiến hóa, bao gồm chiến lược đột biến, cách lai ghép và tham số kiểm soát), lý do phải chạy thực (đáp án: chỉ kết quả chạy thực mới có thể làm căn cứ độ thích nghi đáng tin cậy cho chọn lọc tầng ngoài, phán đoán tiên nghiệm dễ không nhất quán với hiệu suất thực), thay đổi then chốt so với DE cố định (đáp án: chiến lược và tham số kiểm soát không còn cố định toàn bộ, mà do tiến hóa tầng ngoài quyết định động), nguồn chi phí tính toán chính (đáp án: mỗi cấu hình ứng viên đều phải thực thi trọn một lần nhiệm vụ tầng trong, chi phí đánh giá tăng gấp bội theo quy mô và số thế hệ tầng ngoài), quan hệ với công việc tiếp theo (đáp án: MetaDE đưa ra mô hình triển khai "dùng thuật toán tiến hóa cải tiến thuật toán tiến hóa", cung cấp tham khảo phương pháp cho tiến hóa cấu trúc thuật toán tiếp theo).

Nếu chọn sai, trước tiên quay về phân chia "tầng ngoài tìm cấu hình, tầng trong giải bài toán", và định nghĩa "vòng kín kiểm tra". Hai câu hỏi của câu tình huống: điểm chính câu thứ nhất là chỉ số meta hoặc kinh nghiệm tiên nghiệm và hiệu suất nhiệm vụ thực không có đảm bảo nhất quán đáng tin cậy, phải lấy phản hồi thực tầng trong làm căn cứ chọn lọc, nếu không sẽ giữ lại cấu hình trông hợp lý nhưng hiệu suất thực kém, hướng tiến hóa bị lệch hệ thống;

Điểm chính câu thứ hai là trước tiên ước tính ngân sách tổng số lần đánh giá (quy mô quần thể tầng ngoài×số thế hệ×số lần lặp tầng trong), thích hợp nén quy mô quần thể hoặc số thế hệ tầng ngoài, ưu tiên đảm bảo số lần lặp tầng trong không thấp hơn mức có thể ước lượng trung bình ổn định (ví dụ 5 đến 10 lần), đồng thời nâng cao độ song song, khi cần thiết dùng dừng sớm hoặc mô hình đại diện để sàng lọc trước, nhưng những ứng viên bước vào so sánh cuối cùng, quyết định giữ hay bỏ, vẫn phải qua kiểm tra thực nhiệm vụ gốc. Ngôn ngữ phản hồi có thể tham khảo: khi đúng khẳng định có thể liên hệ khái niệm trang này và nói rõ căn cứ; khi sai nhắc quay về giảng giải trang này, tìm ra bằng chứng hoặc ví dụ then chốt rồi phán đoán.

【Kiểm tra hiểu biết】Ngẫu nhiên yêu cầu một sinh viên dùng lời của mình tổng kết cấu trúc hai tầng và vòng kín kiểm tra của MetaDE, người giảng dựa trên câu trả lời bổ sung từ khóa còn thiếu, như "tầng ngoài tối ưu cấu hình thuật toán" "tầng trong tối ưu lời giải bài toán" "cấu hình ứng viên phải chạy thực một lần" "độ thích nghi chỉ có thể đến từ kết quả chạy thực".

【Gợi ý chuyển tiếp】Sau khi xác nhận sinh viên có thể nói ra "tầng ngoài tìm cấu hình thuật toán, tầng trong tìm lời giải bài toán" và vòng kín "sinh cấu hình→kiểm tra nhiệm vụ→phản hồi chọn lọc", rồi bước vào trang tiếp theo về ví dụ, ứng dụng hoặc tổng kết.

<a id="lecture-page-9"></a>

### Tiến hóa cấu trúc thuật toán: AutoPSO và EvoGO

*Trang 9*

> **Mục tiêu trang:** Người học cần hiểu cách bước nhảy từ tối ưu tham số sang tiến hóa cấu trúc thuật toán.

**Điểm giảng dạy chính**

- Gặp một phương pháp mới, trước tiên định vị không gian tìm kiếm tầng ngoài của nó: tìm cấu hình số trị, là điều chỉnh tham số; tìm tổ hợp thành phần và cách sinh ứng viên, là thay đổi cấu trúc. Thứ tự đặt câu hỏi này giúp bạn trong một câu phán đoán tầng mà phương pháp đang ở.
- Kéo rộng khoảng tìm kiếm của hệ số học tập hoặc quy mô quần thể, cấu trúc vẫn cố định, hình thái hành vi không thay đổi, bản chất vẫn là tầng tham số. Tiêu chí phán đoán là "tổ hợp thành phần có thể thay đổi hay không", không phải "phạm vi giá trị có lớn hơn hay không".
- Không gian tìm kiếm của tiến hóa tầng cấu trúc lớn hơn, mỗi lần đánh giá đắt hơn, do đó chọn lọc tầng ngoài phải dựa vào mẫu đối chứng "cấu trúc—hiệu suất" đủ dày đặc. Trước khi làm hãy tự hỏi: có năng lực song song hàng loạt khiến lượng lớn nhiệm vụ tầng trong đồng thời được đánh giá không? Không có điều này, tiến hóa cấu trúc dễ bị nhiễu chạy nhấn chìm.

> **Mục tiêu trang**
>
> Trang này tập trung vào "tiến hóa cấu trúc thuật toán". Người học cần hiểu cách bước nhảy từ tối ưu tham số sang tiến hóa cấu trúc thuật toán, và có thể dùng "tầng không gian tìm kiếm tầng ngoài" làm tiêu chí, phân biệt điều chỉnh tham số và thay đổi cấu trúc.
>
> Thứ tự giảng giải và điểm chính:
>
> 1. Trước tiên so sánh MetaDE với AutoPSO / EvoGO. Không gian tìm kiếm tầng ngoài của MetaDE là cấu hình và chiến lược của thuật toán tầng trong (hệ số học tập, xác suất đột biến, áp lực chọn lọc v.v.), thuộc tầng tham số: cấu trúc cố định, chỉ điều chỉnh số trị, thay đổi là cường độ hành vi. Không gian tìm kiếm tầng ngoài của AutoPSO / EvoGO là bản thân cấu trúc thuật toán: thành phần nào tham gia tổ hợp, quá trình sinh ứng viên trông như thế nào, trạng thái cập nhật ra sao. Tầng cấu trúc có thể thay đổi là thành phần và cách kết nối, thay đổi là hình thái hành vi. Mấu chốt phán đoán không phải tên phương pháp, mà là tầng ngoài rốt cuộc đang tìm kiếm cái gì.
>
> Công thức cập nhật tốc độ—vị trí của PSO cổ điển là viết cứng. AutoPSO tháo nó thành bể thành phần có thể tổ hợp, bao gồm hạng tốc độ, cấu trúc liên kết lân cận, hạng nhiễu, chiến lược khởi động lại v.v.; rồi do tiến hóa tầng ngoài chọn và lắp ráp thành bộ sinh ứng viên mới. Như vậy "cấu trúc cập nhật" bản thân trở thành biến có thể tìm kiếm. Nhấn mạnh: điều chỉnh hệ số học tập chỉ thay đổi cường độ hành vi, thay đổi tổ hợp thành phần mới thay đổi hình thái hành vi.
>
> Nghiêng về việc đưa phản hồi lịch sử vào đường tiến hóa cấu trúc. Quỹ đạo tìm kiếm và bản ghi hiệu suất trong quá khứ không còn chỉ dùng để "chọn lời giải", mà dùng để quyết định "cấu trúc bước tiếp theo sửa về đâu". Phản hồi từ bộ lọc kết quả trở thành tay lái cập nhật cấu trúc——nó thay đổi hướng ứng viên cấu trúc vòng tiếp theo, chứ không phải chọn kết quả trong một loạt ứng viên đã hoàn thành.
>
> Hai cái chia sẻ cùng bộ khung——thuật toán tầng trong chạy trên nhiệm vụ thực, tầng ngoài dựa trên hiệu suất tầng trong tiến hóa cấu trúc. Tiền đề then chốt là mật độ mẫu: GPU song song chạy hàng loạt lượng lớn nhiệm vụ tầng trong, khiến mẫu đối chứng "cấu trúc—hiệu suất" đủ dày đặc, chọn lọc tầng ngoài mới có ý nghĩa thống kê, không bị nhiễu một lần chạy chi phối. Ý nghĩa kỹ thuật: thuật toán từ "lựa chọn tiên nghiệm một lần" trở thành "đối tượng có thể được cải tiến liên tục"; cái giá là không gian tìm kiếm tầng cấu trúc lớn hơn, chi phí đánh giá cao hơn, do đó phụ thuộc vào nền tảng song song tensor hóa, đây cũng là động lực trực tiếp của chủ đề GPU song song ở tiết sau.

> **Manh mối tư liệu**
>
> - Bên trái là bể thành phần (toán tử có thể tổ hợp), ở giữa là lắp ráp cấu trúc (chọn cấu trúc được dẫn dắt bởi phản hồi lịch sử), bên phải là bộ sinh ứng viên (được thể hiện bởi cấu trúc tầng ngoài)
> - Phía dưới là đánh giá nhiệm vụ tầng trong và GPU song song chạy hàng loạt, và qua mũi tên phản hồi gửi hiệu suất tầng trong về tầng ngoài. Khi giảng có thể đi theo thứ tự "tổ hợp—thể hiện—đánh giá—phản hồi".

**Xử lý bài tập**

Trang này có 5 câu trắc nghiệm. Câu 1 lựa chọn đúng là "không gian tìm kiếm tầng ngoài là cấu hình và chiến lược của thuật toán tầng trong, hay bản thân cấu trúc thuật toán"; điểm phản hồi: tìm số trị=điều chỉnh tham số, tìm tổ hợp thành phần và cách sinh ứng viên=thay đổi cấu trúc. Câu 2 lựa chọn đúng là "tháo bầy đàn hạt tối ưu thành bể thành phần có thể tổ hợp, do tiến hóa tầng ngoài chọn và lắp ráp thành bộ sinh ứng viên mới". Câu 3 lựa chọn đúng là "từ chỉ dùng để 'chọn lời giải', trở thành dùng để quyết định 'cấu trúc bước tiếp theo sửa về đâu'". Câu 4 lựa chọn đúng là "khiến mẫu đối chứng 'cấu trúc—hiệu suất' đủ dày đặc, chọn lọc tầng ngoài mới có ý nghĩa thống kê". Câu 5 lựa chọn đúng là "tái tổ hợp hạng tốc độ, cấu trúc liên kết lân cận, hạng nhiễu và chiến lược khởi động lại thành bộ sinh ứng viên mới".

Mỗi câu trả lời đúng có thể khẳng định có thể liên hệ khái niệm trang này và nói rõ căn cứ; trả lời sai thì nhắc quay về giảng giải trang này tìm bằng chứng hoặc ví dụ then chốt.

Xử lý câu tình huống:

Tình huống yêu cầu nâng cấp bộ giải PSO cấu trúc cố định thành hệ thống cấu trúc có thể tiến hóa. Tiêu chí câu 1: xem tầng không gian tìm kiếm tầng ngoài. Nếu chỉ điều chỉnh trọng số quán tính, hệ số học tập, quy mô quần thể, số lần lặp và các số trị khác, vẫn thuộc tầng tham số; chỉ khi tầng ngoài có thể thay đổi tổ hợp thành phần và cách sinh ứng viên, ví dụ chọn lại và lắp ráp hạng tốc độ, cấu trúc liên kết lân cận, hạng nhiễu, chiến lược khởi động lại, khiến hình thái hành vi thay đổi, mới tính là bước sang tầng cấu trúc. Kiểm tra khả vận hành: đóng băng tất cả siêu tham số số trị, chỉ cho phép tầng ngoài thay đổi tổ hợp thành phần, nếu hành vi tìm kiếm vẫn thay đổi bản chất, thì đã nâng cấp lên tầng cấu trúc.

Sắp xếp bản ghi chạy tầng trong sau mỗi lần thể hiện cấu trúc thành đặc trưng phản hồi có cấu trúc (tổ hợp thành phần, quỹ đạo hội tụ, hình thái đường cong độ thích nghi, mô thức thất bại hoặc đình trệ v.v.), để những đặc trưng này trực tiếp dẫn dắt quy tắc cập nhật cấu trúc tầng ngoài, ví dụ quyết định "bước tiếp theo ưu tiên sửa thành phần nào, thêm bớt kết nối nào", chứ không phải sắp xếp đơn giản lấy tối ưu. Khác biệt với "chỉ dùng để chọn lời giải": khi chỉ dùng để chọn lời giải, phản hồi là bộ lọc kết quả sau việc; trong cách dùng kiểu EvoGO, phản hồi là bộ điều khiển hướng trước việc. Và nhắc cần phối hợp GPU song song chạy hàng loạt lượng lớn nhiệm vụ tầng trong, tích lũy mẫu đối chứng đủ dày đặc.

**Phạm vi từ khóa**

- AutoPSO, EvoGO, MetaDE, tầng tham số, tầng cấu trúc, bể thành phần, bộ sinh ứng viên, phản hồi lịch sử, GPU song song, mẫu đối chứng cấu trúc—hiệu suất. Kiểm tra hiểu biết và hoạt động trên lớp: Làm thế nào phán đoán một phương pháp thuộc điều chỉnh tham số hay thay đổi cấu trúc? AutoPSO và EvoGO lần lượt làm gì? Cũng có thể để sinh viên dùng một ví dụ gần kinh nghiệm thuật lại thứ tự đặt câu hỏi "tầng ngoài đang tìm kiếm cái gì".

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể nói ra khác biệt giữa tầng tham số và tầng cấu trúc, và sự phụ thuộc của tiến hóa cấu trúc vào mật độ mẫu song song, rồi bước vào trang tiếp theo về nội dung GPU song song hoặc tổng kết ứng dụng tiếp theo.

<a id="lecture-page-10"></a>

### GPU song song và dùng tiến hóa cải tiến tiến hóa

*Trang 10*

> **Mục tiêu trang:** Người học cần nắm vững cách nhờ GPU song song khiến tự tối ưu hóa thuật toán trở thành quá trình tính toán khả thực thi.

> **Mục tiêu trang**
>
> Hiểu trong kiến trúc hai tầng "dùng tiến hóa cải tiến tiến hóa", GPU song song chuyển thông lượng đánh giá tầng trong thành phản hồi thống kê khả dụng cho tầng ngoài như thế nào, khiến tự tối ưu hóa thuật toán trở thành quá trình khả thực thi.

> **Thứ tự giảng giải**
>
> Trước tiên xây dựng trực giác vòng kín hai tầng——tầng trong thực thi hàng loạt và chấm điểm, tầng giữa tổng hợp hiệu suất, tầng ngoài chọn lọc, đột biến hoặc cập nhật cấu hình; rồi giải thích tại sao GPU song song không thể thay thế; cuối cùng dùng điểm dễ sai và bài tập kiểm tra sinh viên có thực sự phân biệt trách nhiệm hai tầng hay không.

**Điểm giảng dạy chính**

- 1. Cấu trúc hai tầng. Tầng trong chịu trách nhiệm trên GPU chạy hàng loạt lượng lớn cấu hình thuật toán ứng viên, ví dụ siêu tham số, toán tử hoặc chiến lược tìm kiếm khác nhau, và hoàn thành chạy và chấm điểm cho mỗi thể hiện nhiệm vụ. Hạt nhiệm vụ nhỏ, số lượng lớn, vừa khớp với đặc tính thông lượng xử lý hàng loạt. Tầng giữa tổng hợp hiệu suất thô của lượng lớn nhiệm vụ tầng trong thành chỉ số thống kê, ước lượng ưu劣 của mỗi cấu hình trên toàn phân bố nhiệm vụ, hình thành độ thích nghi cho tầng ngoài sử dụng. Tầng ngoài lấy phản hồi thống kê làm đầu vào thực thi chọn lọc, đột biến hoặc cập nhật, sinh cấu hình thế hệ tiếp theo và gửi về tầng trong, cấu thành vòng kín. Thông lượng song song → phản hồi hiệu suất → chọn cấu hình. Độ song song càng cao, mẫu phản hồi càng đầy đủ, ước lượng độ thích nghi tầng ngoài càng ổn định, hướng cải tiến cấu hình càng đáng tin cậy
- Cấu hình sau cải tiến lại gửi về tầng dưới, bước vào vòng thông lượng song song tiếp theo. 3. GPU song song không thể thay thế. Dưới vòng lặp tuần tự truyền thống, thời gian đồng hồ tường một vòng lặp do "số cấu hình ứng viên × số mẫu nhiệm vụ" cùng quyết định, quy mô hơi lớn là không thể chịu đựng, vòng lặp tuần tự do đó trở thành nút thắt chính hạn chế không gian cấu hình và quy mô mẫu nhiệm vụ. GPU song song khiến lượng lớn thuật toán tầng trong đồng thời chạy, giảm vòng lặp tuần tự từ nút thắt chính xuống chi phí xử lý hàng loạt có thể chấp nhận, từ đó đồng thời mở rộng không gian cấu hình có thể khám phá và lượng mẫu nhiệm vụ.

> **Manh mối tư liệu**
>
> - Sơ đồ vòng kín từ dưới lên biểu thị hiệu suất nhiệm vụ và phản hồi độ thích nghi, từ trên xuống biểu thị phát cấu hình
> - Mỗi đơn vị đại diện cho một lần chạy song song và chấm điểm của một cấu hình thuật toán trên một thể hiện nhiệm vụ. Khi giảng có thể nhấn mạnh hai luồng dữ liệu trên dưới ngược hướng, nhưng thiếu một không được. Tầng trong là "thuật toán chạy nhiệm vụ, cho điểm", tầng ngoài là "tiến hóa chọn cấu hình", đừng nhầm hai tầng. Phản hồi chỉ có thể đến từ hiệu suất chạy thực tế của tầng trong, không thể là tầng ngoài đoán ngẫu nhiên hoặc hằng số do con người đặt
- Độ thích nghi tầng ngoài có ổn định hay không, phụ thuộc vào lượng mẫu mà tầng trong song song cung cấp
- Song song càng đầy đủ, ước lượng càng ổn
- Khi mẫu hơi ít trước tiên kiểm tra thông lượng tầng trong, chứ không vội điều chỉnh tham số tầng ngoài.

**Xử lý bài tập**

Câu 1 lựa chọn đúng là "dữ liệu hiệu suất được tổng hợp sau khi nhiệm vụ tầng trong chạy song song trên GPU". Nếu sinh viên chọn sai, quay về chuỗi vòng kín nhấn mạnh: phản hồi nhất định đến từ kết quả chạy thực của lượng lớn nhiệm vụ tầng trong, không phải số ngẫu nhiên hoặc nhãn thủ công.

Câu 2 lựa chọn đúng là "thời gian đồng hồ tường một vòng tích lũy của lượng lớn cấu hình ứng viên và mẫu nhiệm vụ trong vòng lặp tuần tự". Nếu sinh viên chọn sai, nhắc nút thắt ở thông lượng đánh giá, không phải định nghĩa toán tử, xấp xỉ phân bố hoặc khả giải thích những vấn đề không liên quan quy mô tính toán.

Câu 3 lựa chọn đúng là "tầng trong thực thi song song và đánh giá → tổng hợp phản hồi hiệu suất → tầng ngoài chọn lọc hoặc đột biến cấu hình". Nếu sinh viên chọn sai, nhấn mạnh dữ liệu trước tiên do tầng trong tạo ra, rồi tổng hợp thành phản hồi, cuối cùng tầng ngoài dùng cho chọn cấu hình, thứ tự không thể đảo; hai tầng phải trao đổi thông tin mới thành lập.

Câu 4 lựa chọn đúng là "phản hồi thống kê không đủ, nhiễu ước lượng độ thích nghi tầng ngoài tăng, hội tụ chậm". Nếu sinh viên chọn sai, giải thích song song không đủ không bằng hệ thống dừng, mà là khiến phản hồi thống kê thưa hơn, phương sai lớn hơn, từ đó làm chậm thậm chí dẫn sai tìm kiếm tầng ngoài.

Câu 5 lựa chọn đúng là "một lần chạy song song và chấm điểm của một cấu hình thuật toán trên một thể hiện nhiệm vụ cụ thể". Nếu sinh viên chọn sai, nhắc đơn vị nhiệm vụ tầng trong là một lần thực thi và chấm điểm của "cấu hình × thể hiện nhiệm vụ", hàng ngàn hàng vạn nhiệm vụ như vậy chạy song song mới hình thành thông lượng.

Câu 1 cần nói rõ tầng trong trên GPU chạy hàng loạt cấu hình thuật toán và hoàn thành chấm điểm, chỉ số được tổng hợp thành phản hồi thống kê để ước lượng độ thích nghi, tầng ngoài dựa đó thực thi chọn lọc, đột biến hoặc cập nhật và gửi về cấu hình thế hệ tiếp theo, hình thành vòng kín "thông lượng song song—phản hồi hiệu suất—chọn cấu hình". Câu 2 cần kết hợp thông lượng và chất lượng phản hồi: CPU tuần tự khiến số cấu hình ứng viên và lượng mẫu nhiệm vụ bị giới hạn bởi thông lượng đơn luồng, thời gian đồng hồ tường một vòng tăng nhanh không thể chịu đựng theo quy mô; mẫu phản hồi giảm, phương sai tăng, tầng ngoài phán đoán ưu劣 cấu hình không ổn định, hướng tìm kiếm dễ lệch, hội tụ chậm thậm chí đình trệ. GPU song song qua nâng cao thông lượng tầng trong, vừa mở rộng quy mô cấu hình và nhiệm vụ có thể khám phá, vừa đảm bảo chất lượng thống kê của phản hồi.

**Kiểm tra hiểu biết**

Yêu cầu sinh viên dùng lời của mình thuật lại "thông lượng song song → phản hồi hiệu suất → chọn cấu hình", và chỉ ra tầng trong và tầng ngoài mỗi cái chịu trách nhiệm gì. Nếu sinh viên chỉ nhớ GPU nhanh, mà không nói rõ phản hồi đến từ chạy thực tầng trong, cần quay về sơ đồ vòng kín bổ sung giảng.

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể phân biệt trách nhiệm hai tầng, và nói ra chất lượng phản hồi phụ thuộc vào lượng mẫu song song tầng trong, rồi bước vào trang tiếp theo về ứng dụng, ví dụ hoặc tổng kết.

<a id="lecture-page-11"></a>

### Thiết kế bản thiết kế thí nghiệm tối ưu hai tầng

*Trang 11*

> **Mục tiêu trang:** Người học cần thông qua thực hành thiết kế phương án thí nghiệm lấy hệ số đột biến vi phân tiến hóa làm đối tượng tiến hóa tầng ngoài.

**Điểm giảng dạy chính**

- Không có đối chứng cùng bàn giữa F = 0.5 cố định và DE thích ứng cổ điển, bất kỳ "tầng ngoài thắng" đều chỉ là nhiễu. Đường cơ sở phải dùng cùng ngân sách đánh giá, cùng phần cứng và cùng tập hạt giống ngẫu nhiên với phương án của bạn.
- Đánh giá tầng trong vốn có nhiễu: chạy lặp và đồng thời quan sát trung bình, trung vị và phân vị xấu nhất, khi cần thiết báo cáo khoảng tin cậy; tách nhiệm vụ huấn luyện và nhiệm vụ xác minh, tránh tầng ngoài chỉ nhớ vài hạt giống may mắn.
- Mỗi ánh xạ từ gen đến cấu hình runtime đều phải viết thành quy tắc có thể thực thi trực tiếp, và ghi lại cùng thí nghiệm hạt giống, ngân sách, ID nhiệm vụ, phần cứng và điều kiện dừng. Người khác có thể theo những bản ghi này phát lại nguyên bản, bản thiết kế mới thực sự thành lập.

> **Mục tiêu trang**
>
> Nâng hệ số đột biến F của vi phân tiến hóa (DE) từ siêu tham số cố định thành đối tượng có thể tiến hóa tầng ngoài, thiết kế bản thiết kế thí nghiệm tối ưu hai tầng khả thực thi, có thể phát lại.
>
> Thứ tự giảng giải và điểm chính:
>
> 1. Trước tiên đưa ra vòng kín hai tầng. Tầng ngoài chịu trách nhiệm tiến hóa chiến lược F, tầng trong dùng một cấu hình F nào đó chạy DE giải nhiệm vụ, và phản hồi hiệu suất nhiệm vụ cho tầng ngoài. Tầng ngoài dựa trên phản hồi cập nhật cấu hình, hình thành vòng lặp "cấu hình → thực thi → đánh giá → cập nhật".
>
> 2. Tầng trong phải làm thành thí nghiệm có thể lặp lại. Sau khi chọn hàm chuẩn hoặc nhiệm vụ, khóa cấu trúc chính DE, số chiều, ngân sách đánh giá và tập hạt giống ngẫu nhiên, lượng duy nhất thay đổi là cấu hình F do tầng ngoài truyền vào. Mỗi lần chạy ghi lại giá trị tối ưu, số thế hệ hội tụ, tỷ lệ thành công, lượng vi phạm ràng buộc, siêu khối, đa dạng ứng viên và các chỉ số; đây là toàn bộ thông tin tầng ngoài có thể thấy.
>
> 3. Tầng ngoài tìm kiếm không phải một số trị, mà là một chiến lược F. Các mã hóa phổ biến có F hằng, F hằng theo giai đoạn (như [F1,F2,F3] chuyển theo khoảng thế hệ) và hàm điều phối do một lượng nhỏ gen kiểm soát (như kích hoạt theo tỷ lệ thành công, phương sai quần thể hoặc tỷ lệ thế hệ). Mã hóa kiểu chiến lược phải viết rõ đặc trưng đầu vào và quy tắc đầu ra.
>
> 4. Ánh xạ từ kiểu gen đến cấu hình runtime phải hiển ngôn và có thể tái tạo. Ví dụ [F đầu, F cuối, suy giảm] có thể ánh xạ thành F(t)=F đầu+(F cuối−F đầu)×e^(−suy giảm×t/T), trong đó t là thế hệ hiện tại, T là tổng thế hệ; [F1,F2,F3] có thể ánh xạ thành ba đoạn hằng. Cùng một kiểu gen phải luôn nhận cùng một cấu hình runtime, nếu không "gen tốt" mà tầng ngoài học được không thể giải thích, cũng khó di chuyển.
>
> 5. Thực thi vòng kín phụ thuộc đánh giá hàng loạt. Sau khi quần thể tầng ngoài sinh một loạt cấu hình F, bộ điều phối song song phát nhiệm vụ DE tầng trong, trên GPU đánh giá hàng loạt tensor hóa, tổng hợp chỉ số rồi bước vào chọn lọc, đột biến, lai ghép và cập nhật tầng ngoài. Cần ghi lại hạt giống, ngân sách, ID nhiệm vụ, mẫu phần cứng và điều kiện dừng, để người khác có thể phát lại theo cùng điều kiện.
>
> 6. Tổng hợp đánh giá phải bền vững. Tầng trong vốn có nhiễu, do đó có thể chạy độc lập nhiều lần, báo cáo trung bình, trung vị, phân vị xấu nhất hoặc khoảng tin cậy; đồng thời phân biệt nhiệm vụ huấn luyện và nhiệm vụ xác minh, tránh tầng ngoài chỉ nhớ vài hạt giống may mắn.
>
> Trước tiên dùng mô hình độ trung thực thấp hoặc đánh giá đại diện sàng lọc thô, rồi đánh giá lại độ trung thực cao cho ít ứng viên; phòng vệ đường cơ sở: F=0.5 cố định và DE thích ứng cổ điển phải được so sánh cùng bàn, và dùng thí nghiệm loại bỏ xác nhận lợi ích đến từ bản thân tiến hóa tầng ngoài, không phải từ nhiều lần đánh giá hơn. Nếu không gian tìm kiếm tầng ngoài quá nhỏ, tối ưu hai tầng sẽ thoái hóa thành điều chỉnh tham số thủ công, lúc này nên mở rộng không gian mã hóa.

**Phạm vi từ khóa**

- Tối ưu hai tầng, tiến hóa tầng ngoài, đánh giá tầng trong, chiến lược F, ánh xạ hiển ngôn, GPU đánh giá hàng loạt, đường cơ sở, loại bỏ, có thể tái tạo, phòng vệ nhiễu.

> **Manh mối tư liệu**
>
> - Trang dùng sơ đồ vòng kín "vòng lặp tầng ngoài—nhiệm vụ tầng trong—ánh xạ cấu hình—phản hồi nhiệm vụ" để trình bày bản thiết kế, và liệt kê các trường bắt buộc: mục tiêu nhiệm vụ tầng trong, đối tượng chiến lược tầng ngoài, cách ánh xạ F, chỉ số đánh giá, song song và ngân sách, đường cơ sở/loại bỏ/điều kiện dừng. Manh mối bài tập và hướng dẫn đáp án: Câu 1 lựa chọn đúng là "cố định cấu trúc chính DE, số chiều, ngân sách đánh giá và tập hạt giống ngẫu nhiên". Điểm chính là chỉ khi các yếu tố khác bị khóa, khác biệt do cấu hình F khác nhau gây ra mới có thể được quy cho F. Câu 2 lựa chọn đúng là "điều phối liên tục F(t) suy giảm theo hàm mũ thế hệ". [F đầu,F cuối,suy giảm] ba gen lần lượt kiểm soát điểm đầu, điểm cuối và tốc độ suy giảm. Câu 3 lựa chọn đúng là "do bộ điều phối song song phát nhiệm vụ DE tầng trong, và trên GPU đánh giá hàng loạt tensor hóa". Cấu hình phải được thực thi và đo trước, sau đó mới cập nhật độ thích nghi tầng ngoài. Câu 4 lựa chọn đúng là "chạy độc lập nhiều lần và tổng hợp theo trung vị, phân vị xấu nhất v.v., đồng thời phân biệt nhiệm vụ huấn luyện và nhiệm vụ xác minh". Đây là mấu chốt ứng phó nhiễu tầng trong, ngăn quá khớp hạt giống may mắn. Câu 5 lựa chọn đúng là "so sánh cùng bàn với các đường cơ sở như F=0.5 cố định, DE thích ứng cổ điển, và làm thí nghiệm loại bỏ xác nhận nguồn lợi ích". So sánh dưới cùng ngân sách, phần cứng, tập hạt giống, kết luận mới thành lập. Bài tập tình huống yêu cầu đưa ra quy tắc ánh xạ và phương án tổng hợp đánh giá. Có thể thiết kế điều phối liên tục hoặc hằng theo giai đoạn, nhưng phải hiển ngôn, có thể tái tạo
> - Tầng trong ghi lại giá trị tối ưu, số thế hệ hội tụ, tỷ lệ thành công và phương sai, tầng ngoài có thể tổng hợp thành xếp hạng, hạng hội tụ và phạt phương sai
> - Dùng F cố định và DE thích ứng làm đường cơ sở, rồi chạy nhóm loại bỏ "tắt tiến hóa tầng ngoài, chỉ lấy mẫu ngẫu nhiên cùng số cấu hình", xác minh lợi ích không đến từ tăng số lần đánh giá.

**Hoạt động trên lớp**

Để sinh viên chia nhóm thiết kế một bản thiết kế thí nghiệm tối ưu hai tầng lấy hệ số đột biến DE làm đối tượng tiến hóa tầng ngoài, và trên bảng trắng vẽ vòng kín tầng ngoài và tầng trong; mỗi nhóm ít nhất viết ra quy tắc ánh xạ từ kiểu gen đến F, chỉ số đánh giá, cách tổng hợp độ thích nghi tầng ngoài, đường cơ sở và phương án loại bỏ.

**Kiểm tra hiểu biết**

Ngẫu nhiên yêu cầu sinh viên dùng hai câu giải thích "tại sao ngoài F ra đều phải cố định" và "tại sao ánh xạ hiển ngôn là tiền đề có thể tái tạo". Nếu sinh viên có thể liên hệ quy cho, di chuyển và phát lại, cho thấy đã nắm cốt lõi trang này.

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể vẽ vòng kín "ánh xạ cấu hình → thực thi tầng trong → phản hồi nhiệm vụ → cập nhật tầng ngoài", và nói ra vai trò của đường cơ sở và loại bỏ, rồi bước vào trang tiếp theo về ví dụ hoặc tổng kết.

<a id="lecture-page-12"></a>

### Phát triển liên tục và thách thức môi trường của hệ thống thông minh

*Trang 12*

> **Mục tiêu trang:** Người học cần hiểu thách thức thích ứng môi trường dài hạn mà hệ thống do mô hình lớn dẫn dắt cần ứng phó.

**Điểm giảng dạy chính**

- Cô đọng phát triển liên tục thành một câu thần chú: sinh ứng viên → kiểm tra môi trường thực → sàng lọc (chấp nhận / từ chối) → lưu giữ thành quả. Thiếu bất kỳ khâu nào, thành phần thông minh mạnh cũng chỉ dừng ở "năng lực đơn điểm".
- Điểm chuẩn tăng chỉ cho thấy ứng viên tốt hơn trên dữ liệu cũ, không bằng nó thích ứng hơn trong môi trường mới. Phán đoán một thay đổi có đáng giữ hay không, phải xem hiệu suất của nó trong môi trường thực, không phải xếp hạng trên tập phát lại.
- Tự hỏi: hệ thống của tôi có lưu giữ và tái sử dụng thành quả đã xác minh không? Có từng từ chối thay đổi sẽ phá hủy năng lực hiện có không? Nếu cả hai đáp án đều là "không", thì nó còn chưa thực sự bắt đầu "phát triển liên tục".

Mục tiêu trang

Trang này thảo luận phát triển liên tục và thách thức môi trường của hệ thống thông minh, cốt lõi không phải tiếp tục truy vấn một thành phần thông minh đơn mạnh đến đâu, mà là hiểu thành phần thông minh mạnh chỉ là vật liệu, phải được tổ chức vào khung hệ thống có thể thích ứng môi trường lâu dài.

Điểm giảng dạy chính

1. Thành phần mạnh không bằng hệ thống bền vững. Mô hình lớn hơn, năng lực sinh và suy luận mạnh hơn, điểm chuẩn cao hơn, đều không tự động mang lại thích ứng dài hạn. Đưa thành phần thông minh vào hệ thống chỉ đi xong bước đầu tiên.

Sinh ứng viên, kiểm tra môi trường thực, sàng lọc thay đổi, lưu giữ thành quả. Sinh ứng viên yêu cầu liên tục tạo ra ứng viên chiến lược, cấu trúc hoặc tham số thực sự khác biệt; nếu ứng viên đồng nhất cao, tiến hóa mất nguyên liệu. Kiểm tra môi trường thực để ứng viên bước vào nhiệm vụ thực và phản hồi thực, phơi bày trôi dạt phân bố, điều kiện biên và tình huống đuôi dài mà chỉ số ngoại tuyến không thấy. Sàng lọc thay đổi phải chấp nhận thay đổi hiệu quả, từ chối thay đổi sẽ phá hủy năng lực hiện có, cái sau thường là nguồn chính của thoái hóa dài hạn. Lưu giữ thành quả lưu giữ phương án, chiến lược hoặc kinh nghiệm đã xác minh hiệu quả, cho sinh ứng viên tiếp theo tái sử dụng, hình thành quỹ đạo phát triển có thể tích lũy.

Chỉ số ngoại tuyến chỉ mô tả hiệu suất trên dữ liệu quá khứ, mà trong môi trường thực phân bố nhiệm vụ sẽ trôi dạt, ràng buộc tài nguyên sẽ thay đổi, nhu cầu mới không ngừng ùa vào. Chỉ tối ưu trong mục tiêu đặt trước hoặc chỉ số ngoại tuyến, hệ thống sẽ quanh quẩn trên mục tiêu đại diện đóng; môi trường thay đổi, thay đổi chưa qua kiểm tra thực có thể âm thầm bào mòn năng lực hiện có. Do đó sàng lọc và ghi nhớ cũng then chốt.

Mở rộng từ thành phần thông minh có thể làm gì, đến hệ thống tổ chức phát triển liên tục và ứng phó thách thức môi trường thực như thế nào. Thiếu bốn loại cơ chế, tác nhân thông minh mạnh cũng có thể lặp lại sai lầm trong nhiệm vụ dài hạn, hoặc phá hủy năng lực gốc trong cập nhật; bốn loại cơ chế hình thành vòng kín, năng lực mạnh mới có thể được tích lũy ổn định.

Manh mối tư liệu

Hình minh họa có thể làm nổi bật từ thành phần thông minh mạnh kết nối vào khung hệ thống phát triển liên tục, môi trường bên ngoài với trôi dạt nhiệm vụ, ràng buộc tài nguyên, nhu cầu mới ùa vào hình thành áp lực liên tục, mũi tên vòng kín tương ứng ứng viên hàng loạt, phản hồi thực, thay đổi sau sàng lọc, lắng đọng tái sử dụng.

Hiểu lầm phổ biến

Coi một lần điểm kiểm tra chuẩn tăng là hệ thống đã hoàn thành tiến hóa. Điểm tăng chỉ cho thấy ứng viên tốt hơn trên dữ liệu cũ; có đáng chấp nhận và lưu giữ hay không, còn cần kiểm tra môi trường thực và sàng lọc.

Manh mối bài tập

Chính xác nhất là xây dựng khung tổ chức hệ thống có thể ứng phó thay đổi môi trường dài hạn, để ứng viên nhận kiểm tra thực và được sàng lọc, tích lũy và lưu giữ. Câu trắc nghiệm 2: phải kiểm tra thực, vì tối ưu ngoại tuyến không thể phơi bày cách ứng viên thất bại trong môi trường thực. Câu trắc nghiệm 3: vai trò cốt lõi sau kiểm tra là chấp nhận thay đổi hiệu quả, từ chối thay đổi phá hủy năng lực hiện có, và lưu giữ bền vững thành quả đã xác minh. Câu trắc nghiệm 4: khi thiếu bốn loại cơ chế, khả năng cao nhất là lặp lại sai lầm dài hạn hoặc phá hủy năng lực hiện có trong cập nhật. Câu trắc nghiệm 5: trọng tâm mở rộng từ thành phần thông minh có thể làm gì đến hệ thống tổ chức phát triển liên tục và ứng phó thách thức môi trường như thế nào.

Khi chẩn đoán hệ thống xử lý tự động môi trường sản xuất, nên chỉ ra nó thiếu sinh ứng viên, kiểm tra môi trường thực, sàng lọc thay đổi và lưu giữ thành quả, và lần lượt giải thích hậu quả: chiến lược đồng nhất dẫn đến cùng loại sự cố lặp lại thất bại, phát lại ngoại tuyến không thể phơi bày trôi dạt sản xuất, cập nhật phá hủy bị lên sóng toàn bộ, kinh nghiệm không lưu giữ khiến phiên mới bắt đầu từ số không. Phương án cải tiến có thể dùng lưu lượng bóng hoặc kênh xám làm kiểm tra thực, đặt cổng kiểm soát thay đổi, xây dựng kho kinh nghiệm lưu giữ phương án đã xác minh và điều kiện áp dụng; đồng thời giải thích cân bằng: xám và cổng kiểm soát nghiêm sẽ giảm tốc độ tiến hóa và hiệu quả lên sóng, và tăng chi phí, cần cân bằng giữa tốc độ khám phá và không thoái hóa năng lực hiện có.

Kiểm tra hiểu biết

Hệ thống của tôi có lưu giữ và tái sử dụng thành quả đã xác minh không? Có từng từ chối thay đổi sẽ phá hủy năng lực hiện có không? Nếu cả hai đều không, hệ thống còn chưa thực sự bắt đầu phát triển liên tục.

Gợi ý chuyển tiếp

Sau khi xác nhận sinh viên có thể thuật lại vòng kín bốn khâu và tính cần thiết của nó, rồi bước vào trang tiếp theo về ví dụ, ứng dụng hoặc tổng kết.

<a id="lecture-page-13"></a>

### Bắt đầu nhanh và cấu hình môi trường đơn giản hóa

*Trang 13*

> **Mục tiêu trang:** Người học cần hiểu cách thông qua công cụ và giao diện đơn giản nhanh chóng kết nối vào khung EvoX.

**Điểm giảng dạy chính**

- Sau khi môi trường dựng xong, trước tiên dùng một ví dụ tối thiểu xác nhận chuỗi "bài toán → thuật toán → chạy → kết quả" thông suốt, rồi mới chuyển sang thí nghiệm thực. Nhiều vấn đề trông như "thuật toán không hội tụ", thực ra đến từ thiếu phụ thuộc hoặc thiết bị không được gọi đúng.
- Sau khi cài xong ngay lập tức kiểm tra phiên bản phụ thuộc và loại thiết bị mục tiêu (CPU / GPU / cụm) có khớp không. Vấn đề môi trường phơi bày càng sớm, chi phí sửa càng thấp; đợi đến giữa thí nghiệm chạy dài báo lỗi, thời gian lãng phí sẽ vượt xa đầu t